Modelo de aprendizaje profundo para la clasificación automática de escenas en imágenes satelitales

Abstract

Este trabajo de grado presenta la implementación y evaluación de un modelo de inteligencia artificial basado en aprendizaje profundo para la clasificación automática de escenas en imágenes satelitales. El estudio se desarrolló utilizando el conjunto de datos UC Merced Land Use, compuesto por 21 categorías de escenas, con imágenes organizadas y etiquetadas para tareas de clasificación supervisada multiclase. La metodología incluyó la verificación del conjunto de datos, la carga de imágenes en formato RGB, la normalización de intensidades, la codificación de etiquetas mediante representación one-hot y la partición estratificada en subconjuntos de entrenamiento, validación y prueba.

Posteriormente, se implementó una arquitectura basada en redes neuronales convolucionales, entrenada mediante estrategias de regularización, ajuste de hiperparámetros y monitoreo del desempeño. El modelo fue evaluado mediante métricas como exactitud, precisión, recall, F1-score y matrices de confusión. Adicionalmente, se analizaron escenarios de robustez ante perturbaciones controladas, incluyendo reducción de resolución, ruido AWGN y desenfoque mediante kernels promedio. También se evaluó una adaptación del modelo DSFATN reportado en la literatura, con el fin de contrastar el desempeño del modelo base frente a una estrategia robusta.

Finalmente, se incorporaron mapas de saliencia para apoyar la interpretación cualitativa de las regiones relevantes utilizadas por el clasificador. Como complemento, se consolidó un repositorio en GitHub para favorecer la trazabilidad y reproducibilidad del experimento.