Redes adversariales para la adaptación de dominio sobre imágenes de sensado remoto

El sensado remoto es un campo esencial en múltiples aplicaciones científicas y tecnológicas como la detección de cambios en el uso del suelo o la gestión de recursos naturales. No obstante, uno de sus principales retos es la variabilidad entre los dominios de entrenamiento (origen) y test (objetivo) de los datos adquiridos, fenómeno conocido como desplazamiento de dominio y cuya presencia puede deberse a factores como variaciones atmosféricas, diferencias en las condiciones de iluminación, cambios estacionales o divergencias en las características de los sensores utilizados. En este trabajo se estudia una técnica de adaptación de dominio conocida como Adversarial Discriminator Domain Adaptation (ADDA) para la clasificación de imágenes de sensado remoto. Esta técnica se basa en descubrir una función de mapeo de los datos originales a un espacio de características común independiente de su dominio de origen. Para verificar la viabilidad de esta técnica en problemas de sensado remoto, se llevaron a cabo experimentos con diferentes propuestas de arquitectura del modelo encargado del mapeo. A su vez, se analizó la posible influencia del uso de segmentación en superpíxeles de las imágenes y la inclusión de un clasificador final basado en SVM sobre el espacio de características común. Las pruebas realizadas permitieron concluir que esta técnica presenta potencial de cara a enfrentar el problema de adaptación de dominio.

keywords: Sensado remoto, Adaptación de dominio, Red adversarial, Segmentación en superpíxeles