Cuantificación de incerteza de modelos de aprendizaje profundo especializados en percepción urbana mediante el método de MC Dropout
No Thumbnail Available
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Esta investigación aborda la cuantificación de incertidumbre en modelos de aprendizaje profundo especializados en percepción urbana mediante el método de Monte Carlo Dropout. Utilizando arquitecturas de redes neuronales convolucionales basadas en ResNet, implementamos y evaluamos MC Dropout para estimar la incertidumbre predictiva en modelos que analizan la percepción de seguridad urbana a partir de imágenes. Nuestros experimentos en el dataset PlacePulse 2.0 y en un dataset específico para Santiago de Chile demuestran que MC Dropout no solo mejora la precisión predictiva (de 66.81% a 67.64%) sino que también proporciona valiosas estimaciones de incertidumbre sin requerir modificaciones estructurales significativas en la arquitectura. Integramos la técnica de visualización GradCAM para analizar la relación entre la incertidumbre predictiva y los patrones de atención visual, identificando una correlación estadísticamente significativa (Pearson r:0.2072, p < 0.001) entre estas métricas. Nuestros resultados revelan que el modelo tiende a subestimar la incertidumbre, con aproximadamente 48.7% de las predicciones dentro del intervalo de confianza de 1σ (frente al 68.3% esperado) y 20.3% fuera del intervalo de 2σ (frente al 5% esperado). La aplicación al contexto urbano de Santiago demostró que las estimaciones de incertidumbre varían según características urbanas específicas, con el sector oriente mostrando una calibración ligeramente mejor. Esta investigación contribuye al avance de modelos de percepción urbana más confiables e interpretables, proporcionando un marco metodológico aplicable en planificación urbana y desarrollo territorial donde comprender la confiabilidad de las predicciones es crucial.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2025
Keywords
Aprendizaje profundo, Cuantificación de incertidumbre, Monte Carlo Dropout, Percepción urbana, Redes neuronales convolucionales, GradCAM, Seguridad urbana