Monitoreo inteligente de cubiertas terrestres en Antioquia mediante segmentación semántica profunda
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Este trabajo de doctorado aborda el creciente desafío de la obtención de conjuntos de datos anotados a nivel de píxel en alta resolución para la segmentación semántica en imágenes de teledetección, impulsado por el avance del aprendizaje profundo. La necesidad de datos de calidad, a gran escala y con alto nivel de detalle ha motivado el desarrollo de metodologías innovadoras para reducir los costos y el tiempo asociados a la anotación manual, privilegiando métodos automatizados de pseudo-etiquetado y refinamiento estratégico, que logran una calidad comparable a los esfuerzos manuales con una reducción significativa de la carga de trabajo. En este contexto, se propone y valora la generación de mapas de cubierta terrestre precisos, actualizados y confiables, capaces de detectar cambios en la superficie de paisajes diversos en Antioquia y Colombia. Para ello, se presenta el conjunto de datos CoL-Seg, compuesto por aproximadamente 12,000 imágenes con 12 clases semánticas distintas en 15 municipios, construido con base en imágenes satelitales (Copernicus) y con una metodología de pseudo-etiquetado iterativo con intervención humana, logrando reducir los costos hasta en un 80–90% sin comprometer la calidad de las anotaciones. Paralelamente, en el campo del análisis de cambios, se exploró y comparó el rendimiento de distintas arquitecturas de redes neuronales profundas, incluyendo modelos tradicionales y avanzados como SwiftContextNet, para la segmentación en imágenes de alta resolución con sensores remotos (HRRS). Se exploro la implementación y evaluación de arquitecturas siamesas, dentro del marco innovador de Change-CoL, que permite la detección de cambios de extremo a extremo. Estas redes siamesas, basadas en principios sólidos como el ‘weight sharing’, facilitan el aprendizaje directo de relaciones temporales entre pares de imágenes multitemporales, generando mapas de cambio semántico con alta fidelidad. En particular, se desarrollaron y exploraron arquitecturas siamesas como Siames PSPNet y Siames SwiftContextNet. La primera extiende el potente módulo Pyramid Scene Parsing para la detección de cambios, fusionando características de momentos temporales diferentes, mientras que la segunda aprovecha mecanismos avanzados como el Procesamiento de Características Espectrales, Modelado de Contexto Global y atención multi-nivel para mejorar la precisión y coherencia en la detección de cambios. Ambos enfoques permitieron la comparación efectiva entre modelos tradicionales y siameses, destacando la capacidad de las arquitecturas siamesas para aprender relaciones temporales explícitas y mejorar la detección de transiciones en la cubierta terrestre. El marco Change-CoL, respaldado en estas arquitecturas, realizó una validación rigurosa mediante experimentos controlados en un entorno de alto rendimiento computacional usando GPU y dataset sintético de cambio artificial. La evaluación, basada en métricas como precisión general Accuracy, mIoU, F1-score y matriz de confusión, evidenció la superioridad y robustez de las arquitecturas siamesas en la detección de cambios, alcanzando una precisión en la identificación de transiciones y demostrando ser una metodología eficaz para el análisis temporal en entornos complejos y dinámicos. Sin embargo, el estudio se centro en las redes neuronales SwiftContextNet con el uso de la base de datos Col-seg y aplicando el marco robusto de detección de cambios semánticos en la cobertura terrestre en paisajes colombianos (Change-CoL) Este trabajo, en conjunto, contribuye al avance del análisis de cambios mediante el desarrollo de conjuntos de datos, metodologías automatizadas de anotación, y exploración e implementación de arquitecturas profundas. Ofrece una solución integral tanto para la generación de datos precisos como para la detección automática y eficiente de cambios en escenarios de alta resolución, reforzando la aplicación de aprendizaje profundo en la gestión ambiental y planificación territorial en Colombia y regiones similares. (Texto tomado de la fuente)
Abstract
This doctoral thesis addresses the growing challenge of obtaining high-resolution, pixel-level annotated datasets for semantic segmentation in remote sensing images, driven by advances in deep learning. The need for high-quality, large-scale, and highly detailed data has motivated the development of innovative methodologies to reduce the costs and time associated with manual annotation, favoring automated methods of pseudo-labeling and strategic refinement, which achieve quality comparable to manual efforts with a significant reduction in workload. In this context, the generation of accurate, up-to-date, and reliable land cover maps capable of detecting changes in the surface of diverse landscapes in Antioquia and Colombia is proposed and evaluated. To this end, we present the CoL-Seg dataset, composed of approximately 12,000 images with 12 different semantic classes in 15 municipalities, constructed based on satellite images (Copenicus) and using an iterative pseudo-labeling methodology with human intervention, achieving cost reductions of up to 80–90At the same time, in the field of change analysis, the performance of different deep neural network architectures was explored and compared, including traditional and advanced models such as SwiftContextNet, for segmentation in high-resolution images with remote sensors (HRRS). The implementation and evaluation of Siamese architectures was explored within the innovative Change-CoL framework, which enables end-to-end change detection. These Siamese networks, based on solid principles such as weight sharing, facilitate direct learning of temporal relationships between pairs of multi-temporal images, generating high-fidelity semantic change maps. In particular, Siamese architectures such as Siamese PSPNet and Siamese SwiftContextNet were developed and explored. The former extends the powerful Pyramid Scene Parsing module for change detection, merging features from different time moments, while the latter leverages advanced mechanisms such as Spectral Feature Processing, Global Context Modeling, and multi-level attention to improve accuracy and consistency in change detection. Both approaches enabled effective comparison between traditional and Siamese models, highlighting the ability of Siamese architectures to learn explicit temporal relationships and improve the detection of transitions in land cover. The Change-CoL framework, supported by these architectures, underwent rigorous validation through controlled experiments in a high-performance computing environment using GPUs and a synthetic dataset of artificial change. The evaluation, based on metrics such as overall accuracy, mIoU, F1-score, and confusion matrix, demonstrated the superiority and robustness of the Siamese architectures in change detection, achieving high accuracy in transition identification and proving to be an effective methodology for temporal analysis in complex and dynamic environments. However, the study focused on SwiftContextNet neural networks using the Col-seg database and applying the robust framework for detecting semantic changes in land cover in Colombian landscapes (Change-CoL). This work, as a whole, contributes to the advancement of change analysis through the development of datasets, automated annotation methodologies, and the exploration and implementation of deep architectures. It offers a comprehensive solution for both the generation of accurate data and the automatic and efficient detection of changes in high-resolution scenarios, reinforcing the application of deep learning in environmental management and territorial planning in Colombia and similar regions.
Descripción
ilustraciones
Palabras clave propuestas
Teledetección, Detección de Cambios; Redes Neuronales; Segmentación Semántica; Aprendizaje Profundo; Conjuntos de Datos; Alta Resolución; Análisis Temporal; Antioquia; Gestión Ambiental; Remote sensing; change detection; neural networks; semantic segmentation; deep learning; datasets; high resolution; temporal analysis; Antioquia; environmental management
Términos Normalizados
000 - Ciencias de la computación, información y obras generales::003 - Sistemas; 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores; Redes neurales (Informática); Aprendizaje profundo (Inteligencia artificial); Conjuntos de datos; Big data; Sistemas de imágenes