Cuantificación de incerteza de modelos de aprendizaje profundo especializados en percepción urbana mediante el método de MC Dropout

Simple item page
dc.catalogadorpva
dc.contributor.advisorLöbel Díaz, Hans-Albert
dc.contributor.authorLarraín Aylwin, Vicente
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2025-07-15T16:19:30Z
dc.date.available2025-07-15T16:19:30Z
dc.date.issued2025
dc.descriptionTesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2025
dc.description.abstractEsta 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.
dc.fechaingreso.objetodigital2025-07-15
dc.format.extentxii, 57 páginas
dc.fuente.origenSRIA
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/104928
dc.information.autorucEscuela de Ingeniería; Löbel Díaz, Hans-Albert; 0000-0003-3514-9414; 131278
dc.information.autorucEscuela de Ingeniería; Larraín Aylwin, Vicente; S/I; 1045509
dc.language.isoes
dc.nota.accesocontenido completo
dc.rightsacceso abierto
dc.subjectAprendizaje profundo
dc.subjectCuantificación de incertidumbre
dc.subjectMonte Carlo Dropout
dc.subjectPercepción urbana
dc.subjectRedes neuronales convolucionales
dc.subjectGradCAM
dc.subjectSeguridad urbana
dc.subject.ddc620
dc.subject.deweyIngenieríaes_ES
dc.subject.ods11 Sustainable cities and communities
dc.subject.odspa11 Ciudades y comunidades sostenibles
dc.titleCuantificación de incerteza de modelos de aprendizaje profundo especializados en percepción urbana mediante el método de MC Dropout
dc.typetesis de maestría
sipa.codpersvinculados131278
sipa.codpersvinculados1045509
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TESIS_VLarraín.pdf
Size:
9.17 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.98 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
ING Tesis magíster