Deep learning aplicado a la segmentación semántica de imágenes aéreas

Vista sencilla de ítem
dc.contributor.advisorSalas F., Rodrigo
dc.contributor.authorAltamirano P., Luis
dc.date.accessioned2022-04-05T14:27:25Z
dc.date.available2022-04-05T14:27:25Z
dc.date.issued2021-12-10
dc.description.abstractEn el presente trabajo se evalúa dos arquitecturas de segmentación que se implementan en imágenes aéreas obtenidas por drones y satélites, se utilizan características preentrenadas de una red convolucional para la detección de información como patrones, figuras, siluetas, etc. Estas arquitecturas se han popularizado entre desarrolladores por sus satisfactorios resultados, pero no se ha profundizado en la utilización de sus métodos de extracción y aplicación en imágenes aéreas. La segmentación semántica es un problema de la visión por computadora que se desarrolla en la comprensión del contexto de una imagen, la dificultad de este método se encuentra en el desarrollo de máscaras que son las encargadas de que objetos debe de entender un modelo, generar un conjunto de imágenes para entrenar modelos es una tarea complicada, ya que se debe de etiquetar cada objeto presente en la imagen, esto provoca conjuntos pequeños para entrenar. La utilización de redes convolucionales preentrenadas permite mejorar la precisión de los modelos a utilizar, transferir esta información, permite desarrollar modelos adecuados a la implementación de conjunto de imágenes aéreas. En este trabajo se implementan dos arquitecturas para la segmentación de imágenes aéreas que son la U-Net y DeepLab. Se definen ambas arquitecturas para conocer sus metodologías de segmentación y se aplican al conjunto de imágenes aéreas, estos se deben preprocesar para mejorar la precisión y evitar un sobreajuste, por ello se normalizan para evitar valores grandes, un mayor cálculo en funciones y reducir la potencia requerida para necesitar un menor tiempo en el entrenamiento. El desempeño de las arquitecturas es satisfactorio en ambos conjuntos de imágenes, en drones se logra clasificar cada objeto presente con una media por clase de al menos 50 %, esto quiere decir que m ́as de la mitad de pixeles en cada clase de las imágenes logra ser clasificado correctamente, la media es influenciada por valores peque ̃nos y grandes, porque pueden existir clases cuya clasificación sea precisa mientras que existen otras que inferiores (23 clases) y mientras que las imágenes captadas por satélites el desempeño es bajo, porque se aplica un método de clasificación multiclase, como el conjunto posee 8 clases al comparar las máscaras se visualizan 1, 2 o hasta 3 clases que segmentar, esto provoca que los modelos clasifiquen considerando el total de etiquetas del conjunto, pero el resultado es aceptable, ya que al observar la imagen original posee tales clases que las máscaras las definen con clase que predomina en la imagen, la razón de esto es por el conjunto de datos que está preparado para detectar las clases de interés.en_ES
dc.facultadFacultad de Cienciasen_ES
dc.identifier.citationAltamirano, L. (2021). Deep learning aplicado a la segmentación semántica de imágenes aéreas. Universidad de Valparaíso, Chileen_ES
dc.identifier.urihttp://repositoriobibliotecas.uv.cl/handle/uvscl/3958
dc.language.isoesen_ES
dc.publisherUniversidad de Valparaísoen_ES
dc.subjectREDES NEURONALESen_ES
dc.subjectSEGMENTACIONen_ES
dc.subjectIMAGENES DIGITALESen_ES
dc.subjectTEORIA DE LA CODIFICACIONen_ES
dc.titleDeep learning aplicado a la segmentación semántica de imágenes aéreasen_ES
dc.typeTesisen_ES
uv.catalogadorVC CIENen_ES
uv.departamentoInstituto de Estadisticaen_ES
uv.notageneralLicenciado en Estadística. Título profesional Ingeniero en Estadísticaen_ES
uv.profesorinformanteVelandia, Daira (Profesor-Co-Guía)

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Deep learning aplicado a la segmentación semántica de imágenes aéreas.pdf
Tamaño:
55.26 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
384 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Tesis