Destilado de bases de datos de imágenes hiperespectrales basado en aprendizaje profundo para la solución de problemas de clasificación

Abstract

El destilado (o condensación) de bases de datos es una técnica utilizada para reducir la dimensionalidad de los conjuntos de datos empleados en el entrenamiento de modelos de aprendizaje profundo, que, según Yu et al. (2024), fue inicialmente propuesta por Wang et al. (2020); pero que sin embargo, a dı́a de hoy aún tiene limitaciones para su aplicación en datos de alta dimensionalidad (Lei and Tao, 2024) en los cuales se incluyen las imágenes hiper- espectrales, un tipo de señal que se caracteriza (entre otras cosas) por proveer información a lo largo de una enorme gama de frecuencias del espectro electromagnético a una escala mayor que la de las imágenes multiespectrales, lo que la convierte en la señal de tipo imagen con mayor dimensionalidad; pero que a pesar de ello es ampliamente utilizada para resolver diversos problemas de clasificación de (entre otras cosas) materiales, tipos de suelo, sustancias y enfermedades, a menudo por medio de clasificadores basados en aprendizaje profundo, los cuales también son co- nocidos por su alto costo de entrenamiento debido a la enorme cantidad de parámetros optimizables que poseen, lo que dificulta aún mas la tarea de entrenamiento y clasificación en proyectos con capacidades de cómputo limitadas. Es debido a lo anterior que este trabajo investigativo presenta la implementación de un algoritmo de destilado basado en el aprendizaje profundo aplicado a imágenes hiperespectrales.

Referencias:

Yu, R., Liu, S., and Wang, X. (2024). Dataset distillation: A comprehensive review. IEEE Transac- tions on Pattern Analysis and Machine Intelligence, 46(1):150–170.

Wang, T., Zhu, J.-Y., Torralba, A., and Efros, A. A. (2020). Dataset distillation.

Lei, S. and Tao, D. (2024). A comprehensive survey of dataset distillation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 46(1):17–32.