Ingeniería Electrónica
Permanent URI for this collection
Browse
Browsing Ingeniería Electrónica by Author "Alvear Muñoz, Juan Carlos"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
Item Graph learning approach based on signal representation methods for multispectral image fusion and change detection(Pontificia Universidad Javeriana Cali, 2020) Alvear Muñoz, Juan Carlos; Quintero Olaya, David Alfredo; Benítez Restrepo, Hernán Darío; Jiménez Sierra, David AlejandroLos gráficos son una herramienta matemática ampliamente utilizada para representar varios tipos de datos involucrados en un determinado proceso y las relaciones existentes entre ellos capturando la estructura y comportamiento del proceso. Se utilizan en aplicaciones como el modelado de la propagación de enfermedades en una población, transacciones financieras, redes de sensores y teledetección. Una de las aplicaciones novedosas que están en continuo desarrollo en teledetección, específicamente en detección de cambios, es el modelo de última generación basado en gráficos de fusión para detección de cambios (GBF-CD), en el que los autores utilizan gráficos para representar la Imágenes previas y posteriores al evento. Este modelo utiliza un núcleo gaussiano en la etapa de aprendizaje de gráficos, que pasa por alto una estructura de datos subyacente específica. Los modelos de aprendizaje de gráficos se basan en estadísticas, física o representación de señales. En esta investigación, utilizamos modelos basados en la representación de señales, es decir, suavidad de la señal y filtrado espectral, para la etapa de aprendizaje del gráfico GBF-CD con el fin de mejorar el rendimiento del modelo en métricas como: alarmas perdidas, falsas alarmas, precisión, recuperación, Cohen. kappa, error general y tiempo de ejecución. Además de modificar la etapa de aprendizaje de gráficos, en este nuevo modelo aplicamos la segmentación de corte de gráficos en lugar de la extensión de Nyström para reducir la complejidad computacional. Realizamos pruebas en 14 conjuntos de datos de casos reales de imágenes multiespectrales, incluidas algunas adquisiciones multimodales de desastres naturales. Nuestro modelo propuesto supera el rendimiento del modelo GBF-CD en 9 de 14 conjuntos de datos.