Técnicas de clasificación semi-supervisada integrando la información espacial y espectral para el procesamiento de imágenes multiespectrales de zonas agrícolas capturadas sobre el Oriente Antioqueño

Abstract

Los algoritmos de aprendizaje automático han mostrado lo fuerte que son al momento de procesar imágenes multiespectrales y al tener varias muestras etiquetadas. El problema radica en que el procesamiento de las muestras tiende a ser computacionalmente costoso y presenta limitaciones . Para disminuir el número de muestras etiquetadas y reducir el costo de procesamiento, en el estado del arte se cuenta con el aprendizaje semi-supervisado que aprende a partir de muestras etiquetadas y no etiquetadas. El aprendizaje semi-supervisado permite la clasificación de elementos con un limitado número de muestras, al contener esta característica facilita el aprendizaje de modelos de inteligencia artificial. En particular, este aprendizaje provee métodos de procesamiento de datos como las Redes Prototípicas de Grafos Semi-Supervisadas (SSGPN) y el framework de Generación de Pseudo Etiquetas Probabilístico (Res-CP). El primero emplea una red de grafos probabilística con capas prototípicas que mejora la discriminación entre clases y la acentuación entre las mismas, optimizando los bordes de las imágenes. Además, la inmersión de los grafos (G-Norm) ayuda a acelera la convergencia y disminuir el costo computacional. El segundo método, se centra en la generación de pseudo-etiquetas confiable mediante un enfoque probabilístico que administra la incertidumbre, mejorando la generalización de redes neuronales con pocos datos etiquetados. Este trabajo explora las técnicas semi-supervisadas anteriores, añadiéndole extracción de características espaciales resaltando regiones de imágenes multiespectrales como Indian Pines y del Oriente Antioqueño para la clasificación de materiales de la imagen con pocas muestras de entrenamiento.