Defesa – Dissertação de Denise Gonçalves Mafra

Aluno(a): Denise Gonçalves Mafra
Orientador(a): Claudio Rosito Jung
Coorientador(a): Anderson Tavares

Título: EXTRAÇÃO DE REDES VIÁRIAS A PARTIR DE IMAGENS AÉREAS: UMA ABORDAGEM COM MODELOS ESPECIALIZADOS EM DENSIDADE URBANA E INFERÊNCIA ITERATIVA BASEADA EM GRAFOS
Linha de Pesquisa: Processamento de Imagens, Visão Computacional e Reconhecimento de Padrões

Data: 17/07/2026
Hora: 09:00
Local: Esta banca ocorrerá de forma remota. Acesso público disponibilizado pelo link https://meet.google.com/uoc-jkcf-sri.

Banca Examinadora:
-Leonardo Assumpção Moreira (IME)
-Joel Luís Carbonera (UFRGS)
-Silvio Jamil Ferzoli Guimarães ( PUC-MG)

Presidente da Banca: Claudio Rosito Jung

Resumo: Este trabalho investiga a extração automática de redes viárias a partir de imagens aéreas de alta resolução, com foco em um contexto territorial heterogêneo que abrange simultaneamente regiões rurais, suburbanas e urbanas da Região Metropolitana de Porto Alegre, no estado do Rio Grande do Sul. A motivação central é apoiar processos de atualização cartográfica, especialmente em aplicações relacionadas à produção de cartas topográficas na escala 1:25.000, cuja cobertura sobre o território nacional ainda é incompleta. Como arquiteturas base, foram adotados três modelos recentes de extração de redes viárias: o RNGDet++, um agente iterativo baseado em \textit{transformer} com \textit{backbone} ResNet-101; o SAM-Road, que combina o \textit{Segment Anything Model} com uma rede neural em grafo para inferir conectividade topológica; e o DeH4R, que emprega uma estratégia híbrida e desacoplada para a reconstrução da malha viária a partir de representações intermediárias e expansão dinâmica do grafo. Os três modelos foram originalmente treinados no \textit{dataset} CityScale, composto por imagens de cidades norte-americanas predominantemente urbanas. Para adaptar e avaliar essas arquiteturas no contexto brasileiro, foi construído um novo conjunto de dados denominado RSEB (\textit{Rio Grande do Sul Exército Brasileiro}), composto por ortoimagens aéreas reamostradas para 1 m/pixel e anotações vetoriais de redes viárias derivadas do Banco de Dados Geográficos do Exército (BDGEx ) e da Infraestrutura Estadual de Dados Espaciais do Rio Grande do Sul (IEDE/RS). O RSEB totaliza 261 \textit{tiles} de $2048 \times 2048$ pixels e inclui áreas de baixa densidade e \textit{tiles} sem vias mapeadas, característica pouco explorada nos principais \textit{benchmarks} internacionais. A hipótese investigada é que a especialização de modelos por nível de densidade viária pode melhorar a extração de redes em relação ao uso de uma única instância generalista, sobretudo em regiões heterogêneas e em cenários menos representados por \textit{benchmarks} predominantemente urbanos. Para avaliá-la, foram conduzidos três experimentos para cada arquitetura: inferência \textit{zero-shot} com o modelo pré-treinado no CityScale aplicado diretamente ao RSEB; treinamento generalista com o dataset RSEB; e treinamento de modelos especialistas com roteamento rígido por classe de densidade viária, inspirado no paradigma \textit{Mixture of Experts}. No experimento com especialistas, um classificador convolucional categoriza cada região de interesse ou patch nas classes rural, suburbana e urbana, direcionando o processamento ao especialista correspondente. Amostras classificadas como rurais, sem vias mapeadas, recebem diretamente um grafo vazio durante a inferência. A avaliação foi conduzida com métricas em nível de pixel, incluindo precisão, revocação e F1-score, e métricas em nível de grafo, incluindo APLS e TOPO, aplicadas sobre o mesmo conjunto de teste em todos os experimentos. Os resultados mostram que a hipótese foi parcialmente confirmada. No RNGDet++, a especialização por densidade apresentou os ganhos mais consistentes, elevando o APLS de 36,8\% no modelo generalista para 50,9\% nos especialistas e o TOPO F1 de 54,5\% para 60,2\%. No SAM-Road, a estratégia especializada aumentou o APLS de 53,6\% para 57,9\% e elevou a TOPO Precisão para 95,2\%, embora o modelo generalista tenha mantido maior TOPO Recall e TOPO F1. No DeH4R, o cenário \textit{zero-shot} apresentou o desempenho mais competitivo, com TOPO Precisão de 93,1\%, TOPO F1 de 65,5\% e APLS de 60,6\%, indicando maior capacidade de transferência direta para o RSEB. Esses resultados indicam que a especialização por densidade viária é mais vantajosa quando o modelo base apresenta maior dificuldade de generalização ou maior sensibilidade à heterogeneidade das amostras, como observado no RNGDet++. Em arquiteturas com representações visuais mais robustas, como o DeH4R, o treinamento adicional e o roteamento rígido podem produzir ganhos limitados em relação ao modelo pré-treinado. Assim, o trabalho demonstra que a densidade viária é uma variável relevante para organizar o treinamento e a inferência de modelos de extração de redes, mas que seus benefícios dependem da arquitetura utilizada, da escala dos recortes, da distribuição das classes e da robustez do modelo pré-treinado.

Palavras-Chave: Extração de redes viárias. Imagens aéreas. Aprendizado profundo. Modelos especialistas. Sensoriamento remoto. Cartografia. RNGDet++. SAM-Road. DeH4R