Ajuste fino de modelos fundacionales para la detección de cambios en inundaciones
[ES] Los modelos fundacionales representan un avance reciente en el campo de la inteligencia artificial y están teniendo un impacto cada vez mayor en ámbitos como la observación de la Tierra. Estos modelos, entrenados con grandes volúmenes de datos no etiquetados mediante técnicas variadas de aprend...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad del País Vasco |
| Repositorio: | Addi. Archivo Digital para la Docencia y la Investigación |
| OAI Identifier: | oai:addi.ehu.eus:10810/77662 |
| Acceso en línea: | http://hdl.handle.net/10810/77662 |
| Access Level: | acceso abierto |
| Palabra clave: | modelo fundacional detección de cambios inundaciones ajuste fino vision transformee (ViT) residual network (ResNet) inteligencia artificial |
| Sumario: | [ES] Los modelos fundacionales representan un avance reciente en el campo de la inteligencia artificial y están teniendo un impacto cada vez mayor en ámbitos como la observación de la Tierra. Estos modelos, entrenados con grandes volúmenes de datos no etiquetados mediante técnicas variadas de aprendizaje, son capaces de aprender representaciones complejas y adaptarse a tareas específicas con una supervisión mínima o nula. Su aplicación en teledetección ha abierto la puerta a nuevas posibilidades para el análisis masivo de datos geoespaciales. Gracias a su capacidad para comprender el significado semántico de los datos y generalizar a nuevos escenarios, reducen drásticamente la dependencia de los conjuntos de datos etiquetados, que son escasos y costosos de obtener en este ámbito. En este contexto, presento AchelousNet, un modelo de detección de cambios basado en arquitecturas clásicas como ViT y ResNet, preentrenado mediante aprendizaje supervisado y ajustado sobre imágenes bitemporales de radar de apertura sintética proporcionadas por el satélite Sentinel–1. La arquitectura del modelo permite modelar eficientemente las dependencias espaciales y mejorar la precisión en la detección de eventos relacionados con inundaciones. |
|---|