Herrera Escorcia, José LuisForero Zapata, Sebastian2024-08-162024-08-162024-02-16http://hdl.handle.net/11349/39819Este trabajo de grado explora el uso de redes neuronales convolucionales (CNN) para la segmentación automática de objetos geográficos en la generación de cartografía básica a escala 1:2000, enfocándose en municipios de Colombia. Se analizan las similitudes entre objetos geográficos (vías, zonas verdes, bosques, cuerpos de agua, construcciones) y las características físicas de la región, alineándose con el catálogo de objetos del IGAC. Se seleccionaron y evaluaron las arquitecturas CNN UNet, DeepLabV3 y LinkNet, implementando Transfer Learning en UNet. Se recopilaron y seleccionaron datos del IGAC, creando un conjunto de datos de entrenamiento y realizando un preprocesamiento. El rendimiento de las arquitecturas se evaluó con métricas como Test Loss, IoU, F1, precisión, exactitud y recall. Los resultados indicaron que UNet con Transfer Learning alcanzó el mejor rendimiento global, destacando en IoU, F1, precisión, exactitud y recall. Se advierte sobre la necesidad de considerar factores prácticos como el tiempo de entrenamiento y la adaptabilidad a nuevos datos al elegir la arquitectura más adecuada.This research work explores the use of convolutional neural networks (CNNs) for the automatic segmentation of geographic objects in the generation of basic cartography at a scale of 1:2000, focusing on municipalities in Colombia. The similarities between geographic objects (roads, green areas, forests, water bodies, buildings) and the physical characteristics of the region are analyzed, aligning with the IGAC object catalog. The CNN architectures UNet, DeepLabV3, and LinkNet were selected and evaluated, implementing Transfer Learning in UNet. Data from the IGAC was collected and selected, creating a training dataset and performing preprocessing. The performance of the architectures was evaluated using metrics such as Test Loss, IoU, F1, precision, accuracy, and recall. The results indicated that UNet with Transfer Learning achieved the best overall performance, excelling in IoU, F1, precision, accuracy, and recall. It is important to consider practical factors such as training time and adaptability to new data when choosing the most suitable architecture.pdfspaAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Redes neuronales convolucionalesTransfer learningIGACSegmentación de objetos geográficosCartografía básicabachelorThesisIngeniería Catastral y Geodesia -- Tesis y disertaciones académicasRedes neurales (Computadores)CartografíaEscalas (Cartografía)OpenAccessConvolutional neural networksGeographic object segmentationBasic cartographyTransfer learningIGACAbierto (Texto Completo)