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

Gutiérrez Palomino, Edinsson

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

dc.contributor.advisor	Arguello Fuentes, Henry
dc.contributor.advisor	Jácome Carrascal, Román Alejandro
dc.contributor.author	Gutiérrez Palomino, Edinsson
dc.contributor.evaluator	Correa Pugliese, Claudia Victoria
dc.contributor.evaluator	Bacca Quintero, Jorge Luis
dc.date.accessioned	2024-08-29T12:39:39Z
dc.date.available	2024-08-29T12:39:39Z
dc.date.created	2024-08-28
dc.date.issued	2024-08-28
dc.description.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.
dc.description.abstractenglish	Dataset distillation (also known as dataset condensation) is a dimensionality reduction technique for training datasets of deep learning models, first proposed by Wang et al. (2020), according to Yu et al. (2024). This technique presents some limitations when applied to high-dimensional data (Lei and Tao, 2024), these include hypers- pectral images, a type of signal that provides information across a wider range of frequencies in the electromagnetic spectrum compared to multispectral images, making them the type of image with the greatest dimensionality. Despi- te this, they are widely used to solve classification problems of materials, soil types, substances, and diseases, often using deep learning models. These models are known for consuming significant computational resources due to their high number of parameters to optimize, making the classification task harder for projects with limited computational resources. To this end, this research implements an algorithm for hyperspectral image classification dataset distillation based on deep learning. References: 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.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero de Sistemas
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/43963
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería de Sistemas
dc.publisher.school	Escuela de Ingeniería de Sistemas e Informática
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Destilación de base de datos
dc.subject	Imágenes hiperespectrales
dc.subject	Clasificación
dc.subject	Aprendizaje profundo
dc.subject.keyword	Dataset distillation
dc.subject.keyword	hyperspectral image
dc.subject.keyword	classification
dc.subject.keyword	Deep learning
dc.title	Destilado de bases de datos de imágenes hiperespectrales basado en aprendizaje profundo para la solución de problemas de clasificación
dc.title.english	Dataset distillation for hyperspectral images based on deep learning to solve classification problems
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado