Búsqueda automática de arquitecturas profundas para imagen hiperespectrales

DSpace/Manakin Repository

español português english

Búsqueda automática de arquitecturas profundas para imagen hiperespectrales

Show full item record

Title: Búsqueda automática de arquitecturas profundas para imagen hiperespectrales
Author: González Jorge, Miguel Ángel
Abstract: Las imágenes hiperespectrales capturan un amplio rango del espectro electromagnético en cientos de bandas espectrales, formando una estructura tridimensional para su procesamiento y análisis. En el marco de la Observación Remota de la Tierra, estas imágenes se obtienen a través de técnicas de teledetección, donde los métodos basados en deep learning han demostrado su capacidad de clasificar de forma precisa esta información. En este contexto, las redes neuronales convolucionales son usadas ampliamente, estableciéndose como el estado-del-arte actual. Para operarlas se requiere de un esfuerzo significativo, tanto para diseñar una arquitectura adecuada que se adapte al problema, como para seleccionar los hiperparámetros del modelo, tales como: el número de capas y neuronas, tipo de operaciones, etc. En este TFG profundizaremos en el uso de diferentes técnicas para la búsqueda automática de las mejores arquitecturas neuronales para un problema dado, una tarea que previamente se realizaba de forma manual, proponiendo nuevos algoritmos sobre imágenes hiperespectrales ampliamente utilizadas por la comunidad.Hyperspectral imaging captures a wide range of the electromagnetic spectrum in hundreds of spectral bands, forming a three-dimensional structure that must be processed and analyzed. In the framework of Earth Observation, these images are obtained through remote sensing techniques, where deep learning-based methods have demonstrated their ability to accurately classify this information. In this context, convolutional neural networks are widely used, establishing themselves as the current state-of-the-art. To operate them, a significant effort is required both to design an appropriate architecture to suit the problem and to select the model hyperparameters, such as: the number of layers and neurons, type of operations, etc. In this project we will explore in depth the use of different techniques for the automatic search of the best neural architectures for a given problem, a task that was previously performed manually, proposing new algorithms on hyperspectral images widely used by the community.
URI: http://hdl.handle.net/10662/10900
Date: 2020-06-18


Files in this item

Files Size Format View
TFGUEX_2020_Gonzalez_Jorge.pdf 3.561Mb PDF View  Thumbnail

The following license files are associated with this item:

This item appears in the following Collection(s)

Show full item record

Attribution-NonCommercial-NoDerivatives 4.0 Internacional Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 Internacional

Search DSpace


Browse

My Account

Statistics

Help

Redes sociales