RT Generic
T1 Clasificación de imágenes de teledetección con técnicas de aprendizaje profundo en situaciones de escasez de datos
A1 Goldar Dieste, Álvaro
K1 Clasificación de imágenes
K1 Teledetección
K1 Aprendizaje profundo
K1 Segmentación en superpíxeles
K1 Redes neuronales convolucionales
K1 Redes residuales
K1 BAGAN
K1 GAN
K1 Aumentado de datos
AB Dentro del problema de clasificar imágenes multi e hiperespectrales, las técnicasbasadas en aprendizaje profundo son las opciones más empleadas. El motivo es queson capaces de alcanzar mayores precisiones de clasificación que los métodos deaprendizaje automático tradicionales empleados anteriormente. Concretamente, lasRedes Neuronales Convolucionales (CNN) han resultado ser la arquitectura máspopular en la actualidad para resolver estos problemas de clasificación multiclase.No obstante, aunque las arquitecturas neuronales son herramientas muy efectivas,también requieren una gran cantidad de datos de aprendizaje para extraer todo supotencial. Además, los conjuntos de datos que se emplean en teledetección tiendena presentar dos grandes problemas: la escasez de datos anotados y el desbalanceentre clases, de modo que ciertas clases de elementos tienen muchas más muestrasque otras. Esta problemática limita la capacidad de los métodos de aprendizajeautomático, y lo hace especialmente en las arquitecturas neuronales. Considerandolo común que es el proceso de clasificación en teledetección, resulta de gran interésencontrar vías para minimizar el impacto de las limitaciones de los conjuntos de datosy evitar perjudicar así el desempeño de los clasificadores basados en aprendizajeprofundo que se emplean en la actualidad en este dominio.En este trabajo se propone un esquema de clasificación de imágenes de teledetección fundamentado en aprendizaje profundo, cuyo diseño ha sido guiado por elobjetivo de minimizar el impacto de la escasez de muestras y desbalance de clases enlos conjuntos de datos, para maximizar así la calidad de las clasificaciones realizadas.Para ello, se adopta como clasificador del esquema una arquitectura convolucionalprofunda –CNN residual–, al ser la base de los mejores clasificadores de la actualidad.El entrenamiento de esta red se apoya con técnicas de aumentado de datos. Poruna parte, se aplican técnicas de aumentado tradicionales a las muestras de entrenamiento reales. Por otra parte, se integra la CNN residual en un esquema GenerativeAdversarial Networks (GAN), dentro del cual existe una red neuronal auxiliar quegenere nuevas muestras sintéticas realistas que suministrar al clasificador durante elentrenamiento. Para mejorar la calidad de la información de entrenamiento, se aplicauna etapa de segmentación en superpíxeles a la imagen como preprocesamiento,extrayéndose a posteriori una muestra real por cada segmento. Para maximizar lacalidad de las clasificaciones generadas, se evalúa el comportamiento de las arquitecturas neuronales bajo una multitud de configuraciones diferentes, para identificary preservar los criterios de diseño que les permiten alcanzar un mejor desempeño.También se aplican diversas optimizaciones computacionales para reducir todo loposible el tiempo de entrenamiento del esquema desarrollado.Desde el punto de vista investigador, el interés de este trabajo radica en lacombinación de diferentes técnicas que se habitúan emplear por separado en laliteratura, ahora bajo un único esquema de clasificación. Además, se adoptará undiseño de GAN todavía no evaluado en el campo de la teledetección, que presentamejoras en su estructura para alcanzar mejores desempeños en problemas quetrabajen con conjuntos de datos limitados.
YR 2022
FD 2022-06
LK http://hdl.handle.net/10347/29607
UL http://hdl.handle.net/10347/29607
LA spa
NO Traballo Fin de Máster en Computación de Altas Prestacións. Curso 2021-2022
DS Minerva
RD 24 abr 2026