Minicurso 4: TENSORFLOW 2.X e KERAS para a construção de aplicação de modelos de deep learning no sensoriamento remoto

A disseminação e popularização do conhecimento sobre modelos de aprendizado de máquina aplicados ao Sensoriamento Remoto são essenciais. Incentivamos o estudo dos principais conceitos relacionados às Redes Neurais Artificiais e às Redes Neurais Convolucionais, especialmente para aplicações de classificação e segmentação na visão computacional, com foco no Processamento Digital de Imagens no contexto do Sensoriamento Remoto. Além disso, promovemos a divulgação de modelos avançados para aprimorar as tarefas de mapeamento em imagens de satélite e a integração de novas ferramentas de processamento digital de imagens na plataforma do Google Earth Engine, oferecendo soluções sofisticadas e acessíveis para a análise e interpretação de dados de sensoriamento remoto. O objetivo é adquirir conhecimentos básicos sobre Redes Neurais Artificiais e Redes Neurais Convolucionais, aprender a construir conjuntos de dados para treinamento, validação e teste de modelos, reconhecer diferentes arquiteturas de modelos de Deep Learning e seus usos, além de adaptar, treinar e testar modelos para conjuntos de dados específicos e validar modelos de classificação.

Breve histórico das Redes Neurais Artificiais / Brief History of Artificial Neural Networks
Introdução às Redes Neurais Artificiais / Introduction to Artificial Neural Networks
Introdução ao TensorFlow 2 (TF2) e Keras / Introduction to TensorFlow 2 (TF2) and Keras
Preparação do conjunto de dados / Dataset Preparation
Criação de um modelo de Regressão Linear com TF2 / Creation of a Linear Regression Model with TF2
Validação do modelo com métricas como Accuracy, Recall, Precision e F1-Score / Model Validation with Metrics such as Accuracy, Recall, Precision, and F1-Score
Introdução às Redes Neurais Convolucionais (CNN) / Introduction to Convolutional Neural Networks (CNN)
Camadas de convolução / Convolution Layers
Funções de Ativação / Activation Functions
Camadas de Pooling / Pooling Layers
Camadas fully-connected (Flattening) / Fully-connected Layers (Flattening)
Batch Normalization
Dropout
Apresentação de arquiteturas de modelos de Classificação com LeNet, VGG, Inception V3, ResNet ./ Presentation of Classification Model Architectures with LeNet, VGG, Inception V3, ResNet
Parametrização dos modelos / Model Parameterization
Funções de perda / Loss Functions
Métodos de Otimização / Optimization Methods
Modelos de Segmentação (UNet) / Segmentation Models (UNet)
Prática de CNN / CNN Practice
Preparação de um conjunto de dados para um problema de classificação / Preparation of a Dataset for a Classification Problem
Implementação de um modelo usando TF2 e Keras / Implementation of a Model using TF2 and Keras
Ajuste de parâmetros / Parameter Tuning
Treinamento do modelo / Model Training
Validação do modelo usando métricas implementadas na biblioteca SkLearn / Model Validation using Metrics Implemented in the SkLearn Library