Dirigidos a objetivos globales

Detección y análisis temporal de asentamientos humanos por medio de sensado remoto. 

Este proyecto forma parte de un proyecto multidisciplinario en el cual se estudia la vulnerabilidad de los asentamientos humanos con el propósito de proporcionar medidas que permitan combatir la pobreza. El objetivo consiste en desarrollar un sistema que detecte y analice la evolución de asentamientos humanos a lo largo del tiempo a partir de imágenes satelitales de diferentes fechas procesadas con algoritmos de predicción temporal con el fin de evaluar su impacto en la vulnerabilidad estructural ante inundaciones y otras catástrofes naturales.

Detección y análisis de la erosión de las costas, aumento del nivel del mar e inundaciones usando imágenes satelitales.

La erosión costera, el aumento del nivel del mar y las inundaciones son cada vez más frecuentes e intensas debido al cambio climático, lo que representa una amenaza para las comunidades costeras, los ecosistemas y la infraestructura. Para abordar este desafío, proponemos utilizar el reconocimiento de objetos en imágenes aéreas y satelitales para monitorear y gestionar los impactos de estos cambios. El proyecto utiliza algoritmos de visión por computadora para crear mapas de alta resolución y modelos 3D de la costa y para detectar cambios en la posición de la línea de costa, el ancho de la playa, la altura de las dunas e infraestructura como diques y rompeolas.

Los resultados de este proyecto proporcionarán información valiosa para la gestión costera y la toma de decisiones y ayudarán a priorizar la inversión en medidas de protección para reducir los impactos de la erosión costera, el aumento del nivel del mar y las inundaciones. El proyecto también contribuirá a nuestra comprensión de los impactos del cambio climático en las comunidades y ecosistemas costeros, desarrollando sistemas de alerta temprana para las comunidades costeras.

Dirigidos a la automatización

Calibración de múltiples cámaras con alto desplazamiento usando características del entorno y objetos en movimiento. 

La calibración de la cámara es un proceso crítico en la visión por computadora, que implica estimar los parámetros intrínsecos y extrínsecos de una cámara para obtener mediciones precisas de las posiciones y formas de los objetos en una escena. La mayoría de los métodos tradicionales de calibración de cámaras utilizan patrones fijos de calibración, como cuadrículas de calibración o patrones de ajedrez.

Sin embargo, en los últimos años, ha habido un interés creciente en la calibración de cámaras basada en características del entorno. Esto implica la identificación automática de características clave en una escena, como esquinas de paredes, puntos de interés en objetos o esquinas de mobiliario, y luego utilizar estas características para estimar los parámetros de la cámara.

El uso de características del entorno en la calibración de cámaras tiene varias ventajas en comparación con los métodos tradicionales de calibración que utilizan patrones de calibración fijos tales como: 1) No se requiere la fabricación de patrones de calibración, 2) mayor flexibilidad en la ubicación de la cámara y 3) mayor robustez a errores.

Reconocimiento visual de objetos usando supervisión de lenguaje natural

Los sistemas de visión modernos comúnmente son entrenados para predecir un conjunto fijo de categorías de objetos. Esta forma restringida de supervisión limita su generalidad y usabilidad ya que se necesitan datos etiquetados adicionales para reconocer cualquier otro nuevo objeto. El aprender directamente de pares de texto e imágenes es una alternativa prometedora que aprovecha una fuente mucho más amplia de supervisión. Después del pre-entrenamiento podemos usar lenguaje natural para hacer referencia a objetos visuales aprendidos o describir nuevos permitiendo clasificar objetos nunca vistos sin necesidad de nuevos datos.

De investigación básica en Inteligencia artificial

Reconocimiento de objetos complejos usando una jerarquía de forma y textura.

El reconocimiento de objetos es una tarea importante en la visión por computadora, y se utiliza en muchas aplicaciones como la automatización industrial, la vigilancia, la robótica y la realidad aumentada. Dado que las técnicas modernas de reconocimiento de objetos usando redes neuronales están sesgadas hacia la textura, en este proyecto se pretende desarrollar algoritmos novedosos para lograr un reconocimiento más robusto de objetos a través de una jerarquía de características visuales, como la forma y la textura.

Aprendizaje continuo de redes neuronales

El aprendizaje continuo de redes neuronales se refiere al proceso de actualización constante de una red neuronal para adaptarse a nuevos datos de entrada. Este enfoque es útil en aplicaciones donde los datos cambian con el tiempo, y se requiere que la red neuronal se ajuste y aprenda de los nuevos datos a medida que se reciben. Uno de los retos en el aprendizaje continuo es el olvido catastrófico. Este ocurre cuando una red neuronal olvida rápidamente los conocimientos que ha aprendido anteriormente cuando se le entrena con nuevos datos resultando en una pérdida significativa de precisión y desempeño de la red neuronal en tareas de clasificación y predicción.

El problema del olvido catastrófico ocurre cuando se entrena una red neuronal utilizando el descenso de gradiente estocástico (SGD) con el fin de ajustar los parámetros de la red a los nuevos datos. Cuando se actualizan los parámetros de la red para adaptarse a los nuevos datos, la red neuronal olvida los conocimientos que había aprendido anteriormente. En este proyecto desarrollamos nuevos algoritmos de aprendizaje continuo con el fin de combatir el olvido catastrófico y lograr rendimientos similares al entrenamiento ingenuo que consiste en usar todos los datos.