La clasificación de imágenes satelitales mediante técnicas de deep learning es un área de investigación con un impacto significativo en el análisis del uso del suelo. El objetivo principal es avanzar en el desarrollo de metodologías que permitan mejorar la precisión y la eficiencia en tareas de clasificación de imágenes de satélite, proporcionando una base sólida para aplicaciones prácticas y futuras investigaciones en este ámbito. Los resultados obtenidos subrayan la importancia de una configuración adecuada del entrenamiento de los modelos de clasificación. Este trabajo contribuye al entendimiento y la aplicación de técnicas avanzadas de deep learning para la resolución de problemas complejos en la teledetección. En concreto este trabajo aborda la optimización de modelos de redes neuronales mediante el uso de técnicas de transfer learning, explorando cómo el preentrenamiento influye en la capacidad de los modelos para extraer y generalizar características relevantes.
ABSTRACT
The classification of satellite images using deep learning techniques is a research area with a significant impact on land use analysis. The primary objective is to advance the development of methodologies that improve accuracy and efficiency in satellite image classification tasks, providing a solid foundation for practical applications and future research in this field. The results obtained highlight the importance of an adequate configuration for training classification models. This work contributes to the understanding and application of advanced deep learning techniques to address complex problems in remote sensing. Specifically, this study focuses on optimizing neural network models through the use of transfer learning techniques, exploring how pretraining influences the models’ ability to extract and generalize relevant features.
La clasificación de imágenes satelitales mediante técnicas de deep learning es un área de investigación con un impacto significativo en el análisis del uso del suelo. El objetivo principal es avanzar en el desarrollo de metodologías que permitan mejorar la precisión y la eficiencia en tareas de clasificación de imágenes de satélite, proporcionando una base sólida para aplicaciones prácticas y futuras investigaciones en este ámbito. Los resultados obtenidos subrayan la importancia de una configuración adecuada del entrenamiento de los modelos de clasificación. Este trabajo contribuye al entendimiento y la aplicación de técnicas avanzadas de deep learning para la resolución de problemas complejos en la teledetección. En concreto este trabajo aborda la optimización de modelos de redes neuronales mediante el uso de técnicas de transfer learning, explorando cómo el preentrenamiento influye en la capacidad de los modelos para extraer y generalizar características relevantes.
ABSTRACT
The classification of satellite images using deep learning techniques is a research area with a significant impact on land use analysis. The primary objective is to advance the development of methodologies that improve accuracy and efficiency in satellite image classification tasks, providing a solid foundation for practical applications and future research in this field. The results obtained highlight the importance of an adequate configuration for training classification models. This work contributes to the understanding and application of advanced deep learning techniques to address complex problems in remote sensing. Specifically, this study focuses on optimizing neural network models through the use of transfer learning techniques, exploring how pretraining influences the models’ ability to extract and generalize relevant features. Read More
Related posts:
Desarrollo de un sistema de diagnóstico de afecciones, utilizando deep learning
Comparación del desempeño de Transfer Learning en Transformers Visuales para la clasificación de imágenes de satélite
Estado del arte de la Inteligencia Artificial Explicable de Modelos Profundos basada en conceptos
Estudio de plataformas para la creación de competiciones aplicado a la tarea de clasificación de imágenes
Metodología de validación de explicaciones generadas mediante técnicas de IAX post-hoc para procesos de aprendizaje automático
Deep Learning aplicado a imagen médica. Segmentación imágenes de colecistectomía laparoscópica