scieee Science in your language
[sp] (orig)

Evaluación Realista de Modelos de Aprendizaje Profundo para Imágenes Hiperespectrales

Abstract

Con los recientes avances realizados en el campo de Observación de la Tierra (EO), el uso de información de detección remota capturada por sensores disponibles (ubicados en plataformas aéreas y / o satelitales) ha adquirido un papel muy importante en una amplia gama de actividades humanas como la gestión del medio ambiente y recursos naturales (incluidos bosques, agua, recursos geológicos y mineralógicos), prevención de riesgos y catástrofes, planificación de espacios urbanos y rurales, detección de objetivos militares y tareas de inteligencia, etc. Hasta la fecha, se han desarrollado múltiples métodos de análisis de imágenes hiperespectrales, enmarcados en el campo del machine learning, cubriendo un rango amplio de objetivos como information retrieval, unmixing, clasificación, compresión. En los últimos años, gracias a los avances en hardware y software, un campo pequeño del machine learning denominado Deep learning ha cobrado especial interés para todas las comunidades científicas en general y en la de remote sensing en particular. Este tipo de aproximaciones en teledetección es muy interesante ya que no solo permite el procesado espectral, sino que además podemos analizar la imagen espacial o espacio-espectralmente. En este sentido, se están publicando una cantidad considerable de artículos sobre esta temática dejando casi en segundo plano métodos tan ampliamente utilizados como la Máquina de Vectores de Soporte (SVM), Regresión Logistica Multinomial (MLR), etc. Si nos centramos en el campo de las imágenes hiperespectrales, observamos que existe una gran cantidad de artículos con unos porcentajes de precisión muy altos, que en parte puede estar provocado por la manera en que la comunidad científica está trabajando con este tipo de datos y el sobre-entrenamiento. En esta charla, se dan pautas para que los investigadores puedan demostrar el poder de generalización de sus métodos espaciales o espacio-espectrales de una manera práctica y sencilla.

Read accessible full text

Evaluación Realista de Modelos de Aprendizaje Profundo para Imágenes Hiperespectrales

Author: Haut, Juan Mario,Paoletti Avila, Mercedes Eugenia
Year: 2019
Source: https://riuma.uma.es/xmlui/bitstream/10630/19045/2/Presentacion%20del%20unex.pdf
Juan Ma io Hau y Me cedes Eugenia Paole i A ila de la Uni e sidad de Ex emadu a.
Ti ulo: E aluación Realis a de Modelos de Ap endizaje P o undo pa a Imágenes
Hipe espec ales
P esen ación, 13 diciemb e 2019
Con los ecien es a ances ealizados en el campo de Obse ación de la Tie a (EO), el uso de
in o mación de de ección emo a cap u ada po senso es disponibles (ubicados en
pla a o mas aé eas y / o sa eli ales) ha adqui ido un papel muy impo an e en una amplia
gama de ac i idades humanas como la ges ión del medio ambien e y ecu sos na u ales
(incluidos bosques, agua, ecu sos geológicos y mine alógicos), p e ención de iesgos y
ca ás o es, plani icación de espacios u banos y u ales, de ección de obje i os mili a es y
a eas de in eligencia, en e o os.
Has a la echa, se han desa ollado múl iples mé odos de análisis de imágenes
hipe espec ales, enma cados en el campo del machine lea ning, cub iendo un ango amplio
de obje i os como in o ma ion e ie al, unmixing, clasi icación, comp esión.
En los úl imos años, g acias a los a ances en ha dwa e y so wa e, un campo pequeño del
machine lea ning denominado Deep lea ning ha cob ado especial in e és pa a odas las
comunidades cien í icas en gene al y en la de emo e sensing en pa icula . Es e ipo de
ap oximaciones en elede ección es muy in e esan e ya que no solo pe mi e el p ocesado
espec al, sino que además podemos analiza la imagen espacial o espacio-espec almen e. En
es e sen ido, se ap ecia cla amen e que se es án publicando una can idad conside able de
a ículos sob e es a emá ica dejando casi en segundo plano mé odos an ampliamen e
u ilizados como la Máquina de Vec o es de Sopo e (SVM), Reg esión Logis ica Mul inomial
(MLR), e c.
Si nos cen amos en el campo de las imágenes hipe espec ales, obse amos que exis e una
g an can idad de a ículos con unos po cen ajes de p ecisión muy al os, que en pa e puede
es a p o ocado po la mane a en que la comunidad cien í ica es á abajando con es e ipo de
da os y el sob e-en enamien o. En es a cha la, se dan pau as pa a que los in es igado es
puedan demos a el pode de gene alización de sus mé odos espaciales o espacio-espec ales
de una mane a p ác ica y sencilla.