Modelo de Deep Learning y conjunto de datos anotados para la detección automatizada de carpinchos (Hydrochoerus hydrochaeris) y ciervos de los pantanos (Blastocerus dichotomus) en fotografías aéreas.
; de Angelo, Carlos Daniel Otros responsables
Fecha
Publicador:
Consejo Nacional de Investigaciones Científicas y Técnicas
Fecha de depósito:
17/03/2026
Fecha de creación:
25/4/2025-25/4/2025
Clasificación temática
Palabras clave
Resumen
Este registro contiene el modelo de aprendizaje profundo (Deep Learning) optimizado y el conjunto de datos anotados (chips de imagen) utilizados para su desarrollo. El modelo (arquitectura SSD-ResNet34) fue diseñado específicamente para la identificación y localización automatizada de carpinchos (Hydrochoerus hydrochaeris) y ciervos de los pantanos (Blastocerus dichotomus) a partir de imágenes aéreas de alta resolución obtenidas mediante vehículos aéreos no tripulados (VANTs o drones). El flujo de trabajo fue entrenado en el entorno de ArcGIS Pro y validado en áreas de humedales del Parque Nacional Iberá, demostrando su utilidad para reducir el esfuerzo humano en tareas de monitoreo de fauna.
Métodos
Se utilizaron ortomosaicos georreferenciados (resolución ~1.6–1.8 cm/píxel) generados a partir de vuelos con el dron DJI Mavic 2 Zoom a 50 m de altura sobre el terreno. El entrenamiento consistió en el etiquetado manual de individuos mediante cajas delimitadoras (bounding boxes) y el ajuste de hiperparámetros (tamaño de chip de 190x190 píxeles, learning rate de 0.001, máximo de 30 épocas) para maximizar la sensibilidad del modelo. El conjunto de entrenamiento final contó con un total de 668 registros de la clase “Animal” (636 de carpinchos y 32 de ciervos de los pantanos) y 300 muestras de la clase “No Animal” para reducir falsos positivos. Los datos provienen de muestreos en el Parque Nacional Iberá (Corrientes, Argentina) y en la región del Pantanal (Brasil). El modelo fue testeado con muestras independientes en el Parque Nacional Iberá, presentando un recall (sensibilidad) relativo promedio del 95%.
Información Técnica
Para la generación del modelo se utilizó la plataforma ArcGIS Pro 3.2 (herramientas de Deep Learning de la extensión Image Analyst), ejecutada en una estación de trabajo con procesamiento acelerado por GPU bajo soporte CUDA (NVIDIA Quadro M1200). Las fotografías aéreas utilizadas para la toma de muestras de entrenamiento fueron capturadas con un dron DJI Mavic 2 Zoom volando en modo automático a 50 m sobre el nivel del suelo. Los formatos de las anotaciones de las imágenes en el dataset siguen el estándar PASCAL VOC.
Condiciones de uso
Las buenas prácticas científicas esperan que se otorgue el crédito adecuado mediante una citación. Utilice un formato de citación y aplique estas normas de reutilización:
Licencia Creative Commons
Excepto donde se indique lo contrario, la licencia de este ítem se describe como by-nc-sa
Archivos
ARCHIVO
NOTAS DE USO
TAMAÑO
README.txt
Archivo de metadatos (README.TXT) que describe la base de datos completa que contiene las imágenes recortadas (chips de 190x190 píxeles) y sus respectivos archivos de anotación XML en formato PASCAL VOC, organizados por carpetas según los sitios de estudio (Guayabí, San Alonso y Pantanal) y las muestras negativas.
4.22 KB
Relacionados
No hay relacionados para mostrar.