EXP-01 · visión por computadora
Leer el uso del suelo desde el espacio
Red convolucional entrenada desde cero para clasificar imágenes satelitales Sentinel-2 en 10 tipos de cobertura del suelo, con 11 experimentos documentados.
Pregunta
¿Puede una CNN entrenada desde cero clasificar imágenes Sentinel-2 de 64×64 en 10 tipos de cobertura del suelo?
Problema
Clasificar automáticamente el uso del suelo (cultivos, bosque, ríos, zonas urbanas, etc.) a partir de imágenes satelitales RGB de 64×64.
Método
Cuatro bloques experimentales que cambian una variable por vez (tamaño de muestra, dropout, BatchNorm, profundidad, data augmentation), con EarlyStopping, matriz de confusión y análisis de errores. Se comparó contra MobileNetV2 preentrenada y congelada como referencia.
Resultado
De 70,7% (CNN base) a 91,7% de accuracy en test, y 91,3% sobre 17.000 imágenes que el modelo nunca vio. Supera a MobileNetV2 preentrenada y congelada (79,6%).
Lo que aprendí
Más datos le ganó a cualquier cambio de arquitectura: +7,3 puntos al pasar de 500 a 1.000 imágenes por clase.
Stack
- Python
- TensorFlow
- Keras
- scikit-learn
- NumPy
- Matplotlib
Contexto
Materia: Procesamiento de Imágenes · 2026