@InProceedings{Torres:2018:DeNuSo,
               author = "Torres, Reynier Hern{\'a}ndez",
                title = "Detec{\c{c}}{\~a}o de nuvens e sombras utilizando aprendizagem 
                         profunda",
            booktitle = "Anais...",
                 year = "2018",
               editor = "Herdies, Dirceu Luis and Coelho, Simone Marilene Sievert da 
                         Costa",
         organization = "Encontro dos alunos de p{\'o}s-gradua{\c{c}}{\~a}o em 
                         meteorologia do CPTEC/INPE, 17. (EPGMET)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
             keywords = "Sat{\'e}lite, Detec{\c{c}}{\~a}o de Nuvens, Algoritmos de 
                         aprendizagem.",
             abstract = "Nos {\'u}ltimos anos tem havido um grande crescimento da 
                         quantidade de imagens de sat{\'e}lite dispon{\'{\i}}veis 
                         publicamente e sat{\'e}lites globais lan{\c{c}}ados. Essa grande 
                         quantidade de dados imp{\^o}s um desafio de criar m{\'e}todos 
                         para classificar essas imagens de forma eficaz e r{\'a}pida. A 
                         detec{\c{c}}{\~a}o de nuvens {\'e} uma importante etapa de 
                         pr{\'e}-processamento para a aplica{\c{c}}{\~a}o precisa de 
                         imagens {\'o}ticas de sat{\'e}lite. Sem a detec{\c{c}}{\~a}o 
                         precisa das nuvens e sombras, aparece uma fonte significativa de 
                         erros na recupera{\c{c}}{\~a}o de par{\^a}metros 
                         biof{\'{\i}}sicos de cobertura mar{\'{\i}}tima e terrestre. O 
                         objetivo do presente trabalho {\'e} detectar com precis{\~a}o 
                         nuvens e sombras por pixel, atraves de algoritmos de aprendizagem 
                         de m{\'a}quinas, especificamente redes convolutivas. Esses 
                         m{\'e}todos s{\~a}o conhecidos por produzir uma 
                         representa{\c{c}}{\~a}o poderosa que pode capturar 
                         informa{\c{c}}{\~o}es de textura, forma e contexto. A 
                         implementa{\c{c}}{\~a}o das redes {\'e} realizada utilizando 
                         Python, com os frameworks Keras e Tensorflow. Os experimentos 
                         utilizando imagens do Landsat mostram resultados promissores.",
  conference-location = "Cachoeira Paulista",
      conference-year = "22-26 out. 2018",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGPDW34R/3SQP87B",
                  url = "http://urlib.net/ibi/8JMKD3MGPDW34R/3SQP87B",
           targetfile = "SR1-09.pdf",
                 type = "Sensoriamento Remoto da Atmosfera",
        urlaccessdate = "19 maio 2024"
}