Segmentación semántica de vías en imágenes satelitales de alta resolución mediante redes convolucionales

• Autor: Cáceres Cárdenas, Edson Greig
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/27700
• Enlace del recurso: http://hdl.handle.net/20.500.14076/27700
• Nivel de acceso: acceso abierto
• Materia: Deep Learning; Redes convolucionales; Segmentación semántica multiclase; Infraestructura vial; Imágenes satelitales; https://purl.org/pe-repo/ocde/ford#1.02.01

La segmentación semántica de vías en imágenes satelitales es un campo muy importante y estudiado en el estado del arte, ya que, disponer de la infraestructura vial es bastante significativo para la toma de decisiones en diversas áreas de un país. La recuperación de esta información se da con grandes procesos que consumen tiempo considerable y que pueden involucrar gran desplazamiento logístico. Por lo anterior, es importante contar con un método el cual nos permita disponer de manera rápida y automática esta información. Este trabajo tuvo como objetivo desarrollar un modelo basado en redes convolucionales para la segmentación multiclase automática de vías en imágenes satelitales. Al no disponer de un conjunto de datos para optimizar nuestro modelo, se define un procedimiento a fin de crear muestras a partir de un conjunto de datos base. La evaluación cualitativa exhibe una apropiada generalización del modelo de segmentación, ya que, las inferencias del modelo sobresalen sobre las máscaras de las imágenes en los experimentos. De igual manera, las evaluaciones cuantitativas coinciden con las cualitativas, obteniendo valores por encima del 93.97% en todas las métricas. Finalmente, al no haber trabajos que aborden el problema de manera multiclase, se espera que esta investigación sirva como marco de referencia para futuros trabajos.