Detección de Anomalı́as en Imagen Multiespectral Basada en Isolation Forest y Redes de Deep Learning

Las imágenes multiespectrales son fundamentales en sensado remoto en tareas como la clasificación, detección de cambios o anomalı́as. Este trabajo propone el uso de los algoritmos Isolation Forest y Deep SAD para detección de anomalı́as en imágenes multiespectrales. Isolation Forest, basado en árboles de aislamiento, es altamente paralelizable y poco sensible a variaciones de dimensionalidad, mientras que Deep SAD se basa en un autoencoder convolucional para una detección más robusta, manejando mejor la variabilidad de las anomalı́as. Ambos algoritmos son evaluados con diferentes estrategias de cálculo de umbral óptimo, para binarizar las puntuaciones de anomalı́a. Los resultados experimentales muestran que ambos métodos superan al algoritmo de referencia RX, destacando la alta tasa de detección de Isolation Forest y el balance entre identificación de anomalı́as y reducción de falsos positivos de Deep SAD.

keywords: Aprendizaje Profundo, Detección de anomalías, imagen multiespectral, Isolation Forest, Deep SAD,