Identificación automática de objetos geoespaciales mediante imágenes de satélite de alta resolución

Gutiérrez Ramírez, Javier (2017). Identificación automática de objetos geoespaciales mediante imágenes de satélite de alta resolución. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S. de Ingenieros Informáticos (UPM), Madrid, España.

Descripción

Título: Identificación automática de objetos geoespaciales mediante imágenes de satélite de alta resolución
Autor/es:
  • Gutiérrez Ramírez, Javier
Director/es:
  • Gonzalo Martín, Consuelo
Tipo de Documento: Proyecto Fin de Carrera/Grado
Grado: Grado en Ingeniería Informática
Fecha: Julio 2017
Materias:
Escuela: E.T.S. de Ingenieros Informáticos (UPM)
Departamento: Arquitectura y Tecnología de Sistemas Informáticos
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (15MB) | Vista Previa

Resumen

En la actualidad la identificación de objetos geoespaciales en imágenes de satélite de alta resolución se realiza manualmente. Por ello, el proceso puede ser costoso en tiempo, debido a la necesidad de realizar estudios de campo, y subjetivo al depender del criterio de un experto. En la literatura se ha propuesto como solución la automatización de la clasificación mediante el aprendizaje semiautomático, conocido como Active Learning. El objetivo de este proyecto es la implementación y validación de un conjunto de módulos, agrupados dentro del paquete active-1earning, que incorporen diferentes algoritmos Active Learning (AL) para la identificación de objetos geoespaciales. Para ello, se realiza una comparación de las estrategias o heurísticas de las diferentes familias AL presentes en la literatura actual y la selección de una de las heurísticas para su implementación. Se ha elegido implementar en el paquete los algoritmos general AL y otro basado en Comités y V istas como es Adaptive Maximum Disagreement Weighted Voting Entropy (AMDwvE)· El proyecto ha sido implementado en Python para poder acoplarse en una herramienta de clasificación web desarrollada por el grupo de investigación Minería de Datos y Simulación (MIDAS) de la UPM. Los resultados obtenidos de evaluar las diferentes heurísticas implementadas han sido mixtos. Se han obtenido unas precisiones muy altas en las prediccio­ nes de las clases de cubiertas, comparables a las presentadas en la literatura. Sin embargo, para imágenes de dimensiones superiores y con una mayor cantidad de clases el algoritmo implementado no consigue mejorar la precisión del clasificador con una selección aleatoria de las muestras.---ABSTRACT---Currently, the identification of geospatial objects in high resolution satellite images is done manually. Therefore, the process can be costly in time, due to the need to perform field studies, and subjective as it is a process that depends on the criteria of an expert. In the literature, it has been proposed as solution the classification automation through semiautomatic learning, known as active learning. The objective of this project is the implementation and validation of a set of modules, grouped within the package active.learning, that incorporated different algorithms Active Learning (AL) for the identification of geospatial objects. To do this, a comparison of the strategies or heuristics of the various AL families is carried out in the current literature and the selection of one of the heuristics for its implementation. It has been chosen to implement in the package the general algorithm AL and other based on Committees and Views as Adaptive Maximum Disagreement Weighted Voting Entropy (AMDwvE)· The project has been implemented in Pythan to be able to be engaged in a web classification tool developed by the research group Data Mining and Simulation (MIDAS) of the UPM. The results obtained from evaluating the different heuristics implemented have been mixed. The precisions obtained in the predictions of the landcover class is comparable to the precisions exposed in the article where the algorithm was presented. However, for images of large dimensions and with a greater number of classes than those used in the litterature the implemented algorithm fails to improve the accuracy of the classifier.

Más información

ID de Registro: 47760
Identificador DC: http://oa.upm.es/47760/
Identificador OAI: oai:oa.upm.es:47760
Depositado por: Biblioteca Facultad de Informatica
Depositado el: 14 Sep 2017 12:29
Ultima Modificación: 14 Sep 2017 12:30
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM