Classificação de Imagens Territoriais com CNN
CNN que automatiza a triagem de imagens capturadas por drones e satélites em 6 categorias — CNN simples vs. CNN regularizada com Batch Normalization e Dropout.
O problema
Uma empresa de monitoramento territorial recebe continuamente imagens de drones, satélites e câmeras em campo. O volume inviabiliza a triagem manual — a empresa quer automatizar a classificação para apoiar:
- Identificação de áreas urbanizadas e mapeamento de regiões naturais
- Planejamento de rotas e inspeções de infraestrutura
- Classificação de imagens para relatórios ambientais
- Priorização de inspeções em regiões específicas
Dataset: Intel Image Classification (Kaggle) — imagens reais de 6 classes: buildings, forest, glacier, mountain, sea, street.
A solução
Duas arquiteturas CNN foram construídas e comparadas com Keras:
- CNN simples: camadas Conv2D + MaxPooling sem regularização — linha de referência.
- CNN regularizada: mesma estrutura com Batch Normalization (normaliza ativações, acelera convergência) e Dropout (desativa neurônios aleatoriamente no treino, reduz overfitting).
As imagens foram redimensionadas, normalizadas e divididas em treino, validação e teste. A comparação evidenciou o impacto prático dessas técnicas de regularização em Computer Vision.
Stack
O que foi alcançado
A CNN regularizada apresentou melhor acurácia de validação e curvas de aprendizado mais estáveis. O Batch Normalization reduziu a sensibilidade à taxa de aprendizado; o Dropout impediu memorização dos dados de treino.
Pipeline completo coberto: pré-processamento de imagens, construção das arquiteturas, treinamento, avaliação por classe (matriz de confusão, precision/recall por categoria) e análise de quais categorias são mais difíceis de distinguir — como glacier vs. mountain.