Se encontraron 6 investigaciones
La clasificación de imágenes hiperespectrales enfrenta la limitación de contar con pocas muestras etiquetadas, lo que dificulta alcanzar altos niveles de precisión. Tradicionalmente, los enfoques de Active Learning (AL) requieren de un experto para incorporar nuevas muestras etiquetadas al entrenamiento, lo cual limita su aplicación práctica. Este proyecto adapta los principios de AL a un esquema supervisado, eliminando la necesidad del experto, seleccionando de manera iterativa las muestras más informativas en función de la incertidumbre del clasificador. De esta forma, el modelo se va refinando progresivamente con cada iteración, mejorando la frontera de decisión y la capacidad de generalización. Los resultados experimentales muestran incrementos de hasta un 14% en la exactitud global respecto al aprendizaje supervisado convencional, mostrando el potencial de esta estrategia para optimizar el uso de datos limitados en teledetección
Participantes:
Instituciones participantes:
El incremento de flujos migratorios en el Perú ha planteado nuevos retos sociales, económicos y culturales para el país. Este proyecto analiza de manera integral el impacto de la inmigración sobre distintos ámbitos de la sociedad peruana, considerando factores como el mercado laboral, el acceso a servicios, la dinámica urbana y la percepción social. A través de estadísticas oficiales y metodologías de análisis comparativo, se evaluaron los efectos y desafíos asociados a estos procesos. Los hallazgos resaltaron la importancia de diseñar políticas públicas inclusivas que favorezcan la integración y el aprovechamiento del capital humano migrante, contribuyendo al desarrollo social y económico del país. Futuros trabajos analizarán correlaciones con desfase temporal en los impactos migratorios, así como la aplicación de técnicas de agrupamiento de categorías para extraer información relevante de los sectores afectados. Estas extensiones buscan profundizar la comprensión del fenómeno y generar insumos más robustos para la formulación de políticas migratorias adecuadas.
Participantes:
Instituciones participantes:
Los métodos de reducción de dimensionalidad, como PCA y autoencoders (AE), son fundamentales para procesar imágenes hiperespectrales de gran tamaño, aunque suelen requerir el uso de toda la imagen para construir los modelos de proyección, con altos costos computacionales asociados. Este proyecto investiga en qué medida es posible entrenar modelos de representación con solo una fracción de los datos, analizando el desempeño de autoencoders (AE) y autoencoders ortogonales (HOAE) frente a PCA. Los experimentos, realizados muestran que aun utilizando solo el 25% de las muestras, es posible obtener espacios latentes de alta calidad que permiten mantener precisiones de clasificación superiores al 90% (especialmente con 16 o más dimensiones latentes). Estos hallazgos abren la posibilidad de diseñar pipelines de procesamiento más eficientes, sin sacrificar desempeño, lo que resulta valioso en escenarios de datos limitados.
Participantes:
Instituciones participantes:
Dentro del control del proceso de fabricación de telas se tienen diferentes etapas de verificación y validación, con el fin de detectar e identificar todas las fallas presentes, para su clasificación en diferentes niveles de calidad. Este proceso es realizado por un especialista, quien inspecciona visualmente toda la superficie de la tela en un proceso altamente subjetivo, manual, y extenuante, detectando únicamente entre el 60 y 70% de los defectos; en este sentido, este proyecto buscó realizar una inspección completa del producto, automatizando este proceso de detección e identificación de fallas, con menor costo asociado, de manera objetiva, continua, y semiautomática, aplicando diferentes algoritmos inteligentes
Participantes:
Instituciones participantes:
Los eventos climatológicos adversos demuestran que no tenemos capacidades de recuperación rápidas y oportunas. En inundaciones, la tarea fundamental es detectar los cuerpos de agua, pero, luego de ocurrido el desastre natural, estos cuerpos se presentan de forma no homogénea por causa de mezcla con otros materiales, presentando una alta variabilidad en sus índices de color en las imágenes satelitales. El trabajo de detección de cuerpos de agua, de zonas afectadas y evaluación del daño post-desastre, se realiza visualmente por especialistas con apoyo de herramientas semiautomáticas. Este proyecto aplicó técnicas de aprendizaje de máquina para la extracción automática de información de cuerpos de agua en imágenes satelitales multi-temporales, facilitando la evaluación del daño en menos tiempo.
Participantes:
Instituciones participantes:
MODELO COMPUTACIONAL DE EXTRACCIÓN AUTOMÁTICA DE INFORMACIÓN DE CUERPOS DE AGUA PARA LA EVALUACIÓN DEL DAÑO PROVOCADO POR DESASTRE DE INUNDACIONES Y HUAYCOS MEDIANTE EL ANÁLISIS POR VISIÓN ARTIFICIAL DE IMÁGENES SATELITALES MULTI-TEMPORALES
Participantes:
Instituciones participantes: