Show simple item record

dc.creatorAndersson, Virgínia Ortiz
dc.date.accessioned2020-08-13T12:00:19Z
dc.date.available2020-08-13T12:00:19Z
dc.date.issued2019-12-10
dc.identifier.citationANDERSSON, Virginia Ortiz. Dengue Incidence Rate Estimation Using Aerial and Street-level Urban Imagery with Deep Learning Models. Advisor: Ricardo Matsumura Araujo. 2019. 154 f. Thesis (Doctorate in Computer Science) – Technological Development Center, Federal University of Pelotas, Pelotas, 2019.pt_BR
dc.identifier.urihttp://guaiaca.ufpel.edu.br/handle/prefix/6406
dc.description.abstractMotivada por teorias sociológicas que apresentam a aparência física do ambiente urbano como um fator influente no comportamento dos indivíduos habitantes, a recente área de pesquisa Sociologia Computacional Visual investiga modelos de visão computacional para inferir variáveis latentes, como indicadores demográficos, socioeconômicos, culturais e de saúde a partir de imagens urbanas aéreas e no nível da rua. Da mesma forma que as ocorrências criminais podem ser inferidas a partir da aperência do ambiente urbano, ocorrências de doenças, como a dengue, também podem ser explicadas a partir de dados visuais presentes nas imagens. Este trabalho propõe o uso de técnicas de visão computacional capazes de extrair atributos de imagens urbanas automaticamente e modelos de rede neural para regressão múltipla de variaáveis latentes da incidência da dengue usando atributos visuais do ambiente urbano como preditores. Foram realizados experimentos com imagens aéreas e de rua, juntamente com dados históricos de dengue nas capitais Rio de Janeiro (RJ), São Paulo (SP) e Salvador (BA). Os resultados mostraram evidências de que (i) features de imagens no nível da rua podem ser usadas para estimar as taxas de incidência de dengue, embora os modelos que utilizam features de imagens aéreas apresentem melhores resultados, e (ii) a combinação de features aéreas e de nível de rua contribuem para melhores resultados na estimativa das taxas de incidência de dengue; (iii) modelos generalizam insuficientemente para outras cidades, melhorando ligeiramente os resultados ao usar técnicas de transfer learning e mais cidades no treinamento; e (iv) Redes Neurais Convolucionais Profundas (Deep ConvNet) são adequadas para uso no modelo proposto, uma vez que apresenta melhores resultados em comparação com técnicas de descritores projetados. Finalmente, espera-se que os modelos propostos contribuam para uma melhoria no estado da arte dos modelos de estimativa de dengue, e os resultados obtidos contribuam para as políticas de saúde pública nos centros urbanos, por meio de melhores resultados ou na otimização de sua realização.pt_BR
dc.description.sponsorshipSem bolsapt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Pelotaspt_BR
dc.rightsOpenAccesspt_BR
dc.subjectComputaçãopt_BR
dc.subjectDengue fever estimationpt_BR
dc.subjectVisual computational sociologypt_BR
dc.subjectStreet-level imagespt_BR
dc.subjectAerial imagespt_BR
dc.subjectDeep convolutional neural networkspt_BR
dc.subjectMachine learningpt_BR
dc.subjectComputer visionpt_BR
dc.subjectEstimativa de denguept_BR
dc.subjectSociologia computacional visualpt_BR
dc.subjectImagens no nível da ruapt_BR
dc.subjectImagens aéreaspt_BR
dc.subjectRedes neurais convolucionaispt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectVisão computacionalpt_BR
dc.titleDengue incidence rate estimation using aerial and street-level urban imagery with deep learning modelspt_BR
dc.typedoctoralThesispt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/9213117148280500pt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/1544604888519188pt_BR
dc.contributor.advisor-co1Cechinel, Cristian
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/2782164252734586pt_BR
dc.description.resumoMotivated by sociological theories that present the physical appearance of the urban environment as an influential factor in the behavior of inhabitants, the new Visual Computational Sociology research area has investigated computer vision models to infer latent variables such as demographic, socioeconomic, cultural, and health indicators from aerial and street-level urban imagery. Just like crime events can be inferred from the appearance of the urban environment, occurrences of diseases, such as dengue fever, can be explained from visual data as well. This work proposes the use of aerial and street-level images to estimate dengue fever incidence rates, in an automated way, to increase the estimation effectiveness of dengue and its variants in urban regions. Specifically, it was proposed using computer vision techniques capable of extracting attributes from urban images automatically and neural network models for multiple regression to estimate latent variables of dengue incidence using urban environment visual attributes as predictors. For this, experiments were carried out using street-level and aerial images, together with historical dengue fever data obtained from the Brazilian capitals Rio de Janeiro (RJ), São Paulo (SP), and Salvador (BA). Results showed evidence that: (i) street-level image features can be used for estimating dengue incidence rates, although models using aerial image features present better results; (ii) the combination of aerial and street-level features contribute to better results in estimating dengue incidence rates; (iii) models generalize poorly to other cities, slightly improving the results when using transfer-learning techniques and multiple cities in training and (iv) Deep Convolutional Neural Networks (Deep Convnets) are suitable for use in the proposed model, since its features presented better results compared to designed descriptor techniques. At last, it is expected that the proposed models will contribute to an improvement in the state of the art of dengue estimation models, and the obtained results contribute to public health policies in urban centers, through better results or in optimizing their accomplishment.pt_BR
dc.publisher.departmentCentro de Desenvolvimento Tecnológicopt_BR
dc.publisher.programPrograma de Pós-Graduação em Computaçãopt_BR
dc.publisher.initialsUFPelpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.publisher.countryBrasilpt_BR
dc.contributor.advisor1Araújo, Ricardo Matsumura de


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record