Identificador persistente para citar o vincular este elemento: http://hdl.handle.net/10662/8811
Títulos: Técnicas de oversampling aplicadas al análisis de imágenes hiperespectrales
Autores/as: Municio Durán, David
Director/a: Plaza Miguel, Antonio
Haut Hurtado, Juan Mario
Palabras clave: Oversampling;Análisis;Imágenes hiperespectrales;Analysis;Hyperspectral imaging;Clasificación;Classification
Fecha de publicación: 2019-02-21
Resumen: La definición de un dataset apropiado es una de las fases más importantes para conseguir un buen resultado en la clasificación de datos obtenidos a partir de sensores de observación remota de la Tierra. El potencial actual de los sensores hiperespectrales, que permiten obtener imágenes con cientos de bandas, permite solucionar problemas imposibles de abordar hace unos años. Sin embargo, el desbalanceo de clases en dichas imágenes, así como la alta dimensionalidad de las mismas, son algunos de los retos en los que actualmente la comunidad investigadora centra sus esfuerzos en busca de soluciones óptimas. Nuestro trabajo se centra en evaluar la posibilidad de utilizar técnicas de oversampling para solucionar los problemas anteriormente comentados en la clasificación de imágenes hiperespectrales sin eliminar datos reales, como sí hacen otras técnicas. En concreto, en este trabajo realizamos un estudio detallado acerca de la eficacia de varios modelos de clasificación sobre imágenes hiperespectrales previamente acondicionadas mediante técnicas de oversampling. Nuestros resultados, obtenidos utilizando varias imágenes hiperespectrales reales, reflejan la utilidad de dichas técnicas de oversampling para mejorar el proceso de clasificación de imágenes hiperespectrales, en particular, en aquellas clases que constan con un número reducido de muestras pero que pueden constituir el principal objetivo del proceso de clasificación.
The proper definition of a dataset is one of the most important aspects in order to optimize remotely sensed image classification. Current sensors, such as hyperspectral instruments, allow tackling problems that were not easy to solve several years ago. However, important challenges still remain, such as the high dimensionality of the data and the presence of classes with an imbalanced number of samples, which represent important obstacles to the classification process. This work explores the use of oversampling techniques as a means to obtain better conditioned hyperspectral data for classification purposes. We specifically analyze the behavior of different oversampling algorithms prior to the application of well-known classification models. Oversampling methods do not remove real samples from the original dataset, which represents an important advantage over other available approaches. Specifically, we present a thorough study of several oversampling techniques in the context of hyperspectral data classification, analyzing their performance when combined with linear and nonlinear classification models. Our experimental results, conducted using real hyperspectral data sets, indicate that oversampling techniques can be very useful for the classification of hyperspectral images, in particular, when the classes of interest contain a significantly reduced number of samples when compared to other classes in the scene.
URI: http://hdl.handle.net/10662/8811
Colección:Grado en Ingeniería Informática en Ingeniería de Computadores

Archivos
Archivo Descripción TamañoFormato 
TFGUEX_2019_Municio_Duran.pdf5,3 MBAdobe PDFDescargar


Este elemento está sujeto a una licencia Licencia Creative Commons Creative Commons