Segmentación semántica en imágenes aéreas de vegetación

Abstract

En dicho trabajo de fin de grado se tiene como objetivo obtener un modelo de red neuronal en segmentaci´on sem´antica sobre las im´agenes a´ereas de vegetaci´on. Donde el modelo ser´a capaz de segmentar las clases relativas de la vegetaci´on y otras clases como edificio, carretera, etc. Para llegar a dicho objetivo, se divide el proyecto en varios pasos a seguir mediante el m´etodo SCRUM. Realizando reuniones con los tutores y miembros del grupo cada una o dos semanas, y coordinando as´ı el progreso y las tareas del proyecto en sprints. Se llevan a cabo unos pasos como: b´usqueda y an´alisis de datasets, entrenamiento del modelo de redes neuronales seleccionado, t´ecnicas de optimizaci´on, comparativa de resultados y fusi´on de varios datasets para aumentar el volumen de datos. Para dicho pasos, se usan diferentes t´ecnicas y herramientas. Finalmente, se usar´a transfer learning utilizando los pesos entrenados con los datasets fusionados en un dataset totalmente nuevo y se comparar´a la efectividad del modelo de la red neuronal.

The objective of this work is to obtain a neural network model in semantic segmentation on aerial images of vegetation. Where the model will be able to segment the relative classes of vegetation and other classes like building, road, etc. To reach this objective, the project is divided into several steps to be followed using the SCRUM method. Meetings with tutors and group members are held every one or two weeks, and the progress and tasks of the project are coordinated in sprints. Some steps are carried out such as: search and analysis of datasets, training of the selected neural network model, optimization techniques, comparison of results and fusion of several datasets to increase the volume of data. For these steps, different techniques and tools are used. Finally, transfer learning will be used using the weights trained with the fused datasets in a totally new dataset and the effectiveness of the neural network model will be compared.