Evaluación de redes convolucionales para la segmentación de objetos geográficos: un insumo para la cartografía básica a escala 1:2000 basado en el catálogo del IGAC

Este trabajo de grado explora el uso de redes neuronales convolucionales (CNN) para la segmentación automática de objetos geográficos en la generación de cartografía básica a escala 1:2000, enfocándose en municipios de Colombia. Se analizan las similitudes entre objetos geográficos (vías, zonas verdes, bosques, cuerpos de agua, construcciones) y las características físicas de la región, alineándose con el catálogo de objetos del IGAC. Se seleccionaron y evaluaron las arquitecturas CNN UNet, DeepLabV3 y LinkNet, implementando Transfer Learning en UNet. Se recopilaron y seleccionaron datos del IGAC, creando un conjunto de datos de entrenamiento y realizando un preprocesamiento. El rendimiento de las arquitecturas se evaluó con métricas como Test Loss, IoU, F1, precisión, exactitud y recall. Los resultados indicaron que UNet con Transfer Learning alcanzó el mejor rendimiento global, destacando en IoU, F1, precisión, exactitud y recall. Se advierte sobre la necesidad de considerar factores prácticos como el tiempo de entrenamiento y la adaptabilidad a nuevos datos al elegir la arquitectura más adecuada.

• Autores: Forero Zapata, Sebastian
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/39819
• Acceso en línea: http://hdl.handle.net/11349/39819
• Palabra clave: Redes neuronales convolucionales; Transfer learning; IGAC; Segmentación de objetos geográficos; Cartografía básica; Ingeniería Catastral y Geodesia -- Tesis y disertaciones académicas; Redes neurales (Computadores); Cartografía; Escalas (Cartografía); Convolutional neural networks; Geographic object segmentation; Basic cartography; Transfer learning; IGAC
• License: Attribution-NonCommercial-NoDerivatives 4.0 Internacional