Resumo: Os enormes volumes de dados da era atual têm levado a muitos desafios científicos. Lidar com essa quantidade de dados requer que as aplicações de software considerem as restrições de armazenamento e energia de alguns ambientes computacionais. As aplicações de visão computacional (VC) exemplificam bem esse cenário, já que geralmente processam séries de imagens uniformes de alta resolução para produzir os resultados desejados. Nesse cenário, uma perspectiva não convencional a ser explorada é o uso de modelos foveais de imagem capazes de reamostrar imagens uniformes em imagens espaço-variantes. A inspiração para tal provém da retina humana, na qual a fóvea central possui resolução máxima, enquanto a periferia caracteriza-se por uma resolução que diminui gradualmente. Assim, para reduzir a quantidade de dados processados pelo cérebro, movemos nossos olhos para focar um ponto de interesse; nesse processo, também mantemos informações periféricas relevantes. Neste trabalho, exploramos o conceito de modelos foveais de imagem em aplicações de VC. A motivação do estudo decorre de desafios derivados (i) da alta disponibilidade de grandes volumes de dados de imagem, (ii) do aumento do uso de aplicativos de VC em diferentes plataformas de computação, (iii) da necessidade de lidar adequadamente com recursos limitados de armazenamento e energia de alguns ambientes e (iv) da necessidade de técnicas adequadas de visualização de informações que auxiliem a execução de inspeções visuais em séries temporais de imagens. Em nossa contribuição inicial, propomos um \emph{framework} para a criação de modelos retinais de imagem orientados a aplicações. Validamos os modelos em uma aplicação de biometria, mostrando que boas taxas de acurácia podem ser mantidas juntamente às reduções de armazenamento e energia induzidas pelos modelos. Nossa segunda contribuição é uma abordagem de foveação de imagem orientada a mudanças para estudos de fenologia de plantas. Validamos a abordagem com uma base de dados de imagens de sensoriamento remoto. Os experimentos indicam que os modelos fornecem reduções de armazenamento e resultados interessantes de correlação com imagens uniformes, em uma configuração usualmente adotada em estudos no campo da fenologia. Finalmente, em nossa terceira contribuição, atacamos o desafio de lidar com séries temporais de imagens de altíssima resolução. Propomos uma abordagem de visualização de informação baseada em conceitos de foveação e detecção de regiões salientes. Validamos a abordagem por meio de uma base de dados usada em estudos de fenologia e mostramos que a abordagem pode facilitar inspeções visuais de grandes volumes de dados de imagem Ver menos

Abstract: The huge volumes of data from the current era have led to several scientific challenges. Dealing with such amount of data requires that software applications consider the storage and energy restrictions of some computing environments. Computer vision (CV) applications exemplify well this scenario, given that they usually process series of uniform high-resolution images to output the desired results. In this scenario, an unconventional perspective to explore is the use of foveal image models able to resample uniform images into space-variant ones. The inspiration comes from the human retina, in which the central fovea has maximum resolution, whereas the periphery possesses a gradually-decreasing one. Thus, to reduce the amount of data to be processed by the brain, we move our eyes to foveate a point of interest; we also keep relevant peripheral information in the process. In this work, we explore the concept of foveal image models towards CV applications. The motivation underlying our study arises from a combination of challenges derived from (i) the high availability of massive volumes of image data, (ii) the increasingly use of CV applications in different computing platforms, (iii) the need of properly handling the limited storage and energy resources of some computing environments, and (iv) the need of proper information visualization techniques to aid visual inspections and decisions regarding image time series. In our first contribution, we propose a framework for creating application-oriented retinal image models. We validate our models in a CV application in the biometry field, by showing that good accuracy rates can be retained alongside storage and energy reductions induced by the models. Our second contribution is a change-driven image foveation approach toward plant phenology investigations. We validate our approach with a database of remote sensing images. The experiments indicate that our models provide storage reductions and interesting correlation results with uniform images, considering a commonly-adopted setting of the phenology field. Finally, in our third contribution, we target the challenge of dealing with very-high-resolution image time series. We propose an information visualization approach based on concepts of foveation and saliency detection, and validate it with a database used for phenological investigations. We show that the proposed visualization may facilitate visual inspections of large volumes of image data Ver menos