CACTU: Complemento de actualización urbana para la clasificación de imágenes de alta resolución mediante redes neuronales convolucionales.
Este complemento realiza el procesamiento de las imágenes mediante un aprendizaje supervisado con redes neuronales convolucionales, donde se lleva a cabo una fase previa de entrenamiento, tomando como base el 60% del total de las muestras debidamente etiquetadas en las clases definidas (Construido y...
- Autores:
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad Distrital Francisco José de Caldas
- Repositorio:
- RIUD: repositorio U. Distrital
- Idioma:
- spa
- OAI Identifier:
- oai:repository.udistrital.edu.co:11349/30400
- Acceso en línea:
- http://hdl.handle.net/11349/30400
- Palabra clave:
- QGIS
Plugin
Catastro
Complemento
Redes neuronales convolucionales
Imágenes alta resolución
Especialización en Sistemas de Información Geográfica - Tesis y disertaciones académicas
Redes neurales (Computadores)
Desarrollo de programas para computador
Python (Lenguaje de programación de computadores)
Procesamiento de imágenes
Reconocimiento de suelos
QGIS
Plugin
Cadastre
Complement
Convolutional neural networks
High resolution images
- Rights
- License
- Atribución-NoComercial-CompartirIgual 4.0 Internacional
Summary: | Este complemento realiza el procesamiento de las imágenes mediante un aprendizaje supervisado con redes neuronales convolucionales, donde se lleva a cabo una fase previa de entrenamiento, tomando como base el 60% del total de las muestras debidamente etiquetadas en las clases definidas (Construido y no construido), para posteriormente comprobarlo con el 40% de las muestras restantes, generando una validación de correspondencia de la clase que predice, respecto a la clase etiquetada anteriormente. Posteriormente, con el modelo ya entrenado, se lleva a cabo la clasificación de una imagen de fecha posterior a la utilizada en el entrenamiento, prediciendo la probabilidad de si un pixel corresponde a una construcción o no. Finalmente, el complemento realiza una resta entre las dos clasificaciones, la de entrada y la predicha, generando así un ráster de probabilidad de cambio de cobertura. Una vez generado el insumo, el usuario estará en la capacidad de tomar decisiones acertadas frente al plan de trabajo, permitiendo establecer áreas y rutas óptimas para el levantamiento de información en campo, enfocando los recursos en las zonas donde se detectan cambios en la dinámica inmobiliaria. |
---|