LAND COVER CLASSIFICATION OF HIGH RESOLUTION IMAGES FROM AN ECUADORIAN ANDEAN ZONE USING DEEP CONVOLUTIONAL NEURAL NETWORKS AND TRANSFER LEARNING

Recientemente, han surgido modelos de aprendizaje profundo o Deep Learning como un método popular para aplicar modelos de aprendizaje automático en una variedad de dominios, como en la percepción remota en donde se han propuesto diferentes enfoques para la clasificación de cobertura y uso del suelo. Sin embargo, la disponibilidad de conjuntos de datos suficientemente grande con muestras etiquetadas, dificulta el entrenamiento de dichos modelos, esto conlleva a obtener modelos sub óptimos que no son capaces de generalizar correctamente los diferentes tipos de cobertura del suelo. Este escenario sucede a menudo por lo que es considerado como un desafío importante que debe abordarse. En este artículo, se presenta un enfoque para realizar clasificación de cobertura del suelo a partir de un pequeño conjunto de datos de imágenes de alta resolución espacial perteneciente a una área en los Andes de Ecuador, se utiliza redes neuronales convolucionales profundas y técnicas como: aprendizaje por transferencia, aumento de datos, entre otros ajustes a los parámetros del modelo. Los resultados demostraron que este método es capaz de alcanzar una buena precisión de clasificación si está respaldado por buenas estrategias para aumentar el número de muestras en un conjunto de datos desequilibrado