Descripción del proyecto
LA COMPLETITUD Y LA ACTUALIDAD DE LA REPRESENTACION GRAFICA DE LA RED VIARIA (CARRETERAS, CAMINOS) EN LA CARTOGRAFIA SON UN RETO PARA LAS ADMINISTRACIONES PUBLICAS. TAMBIEN LO ES LA CRECIENTE NECESIDAD DE CARTOGRAFIA DE ALTA CALIDAD PARA LA CONDUCCION AUTONOMA. LA ADMINISTRACION, EN EL EJERCICIO DE SUS FUNCIONES, DEBE DAR RESPUESTA A LAS DEMANDAS DE INFORMACION ACTUALIZADA POR PARTE DE LOS CIUDADANOS Y DEL SECTOR INDUSTRIAL. PARA AFRONTAR EL RETO DE CARTOGRAFIAR TODO TIPO DE VIALES (LOS NO REGISTRADOS COMO SON LAS VIAS SECUNDARIAS Y CAMINOS), COMPLETAR O ACTUALIZAR LA CARTOGRAFIA CON NUEVOS VIALES O CAMBIOS DE TRAZADO, SE REQUERIRIAN GRANDES Y COSTOSOS EQUIPOS DE OPERADORES FORMADOS PARA IDENTIFICAR ESTOS CAMBIOS EN LAS ORTOIMAGENES AEREAS DE ALTA RESOLUCION QUE SE PRODUCEN CON UNA FRECUENCIA BAJA (CADA DOS AÑOS EN TERMINO MEDIO) Y PROCEDER A SU REGISTRO GEOMETRICO. POR OTRO LADO, LA INTELIGENCIA ARTIFICIAL, EL APRENDIZAJE AUTOMATICO Y PROFUNDO DEMUESTRAN SU UTILIDAD PARA AUTOMATIZAR RUTINAS COMO LA IDENTIFICACION DE VIALES DESACTUALIZADOS EN LA CARTOGRAFIA, GENERAR UPSCALING A PARTIR DE IMAGENES DE SATELITE Y PARA EXTRAER INFORMACION DE LA SEÑALIZACION HORIZONTAL DE LAS CARRETERAS.EL PROYECTO SROADEX PROPONE INVESTIGAR ARQUITECTURAS/MODELOS, TECNICAS Y HERRAMIENTAS PARA CONSTRUIR REDES DE APRENDIZAJE PROFUNDO (CNNS) ENTRENADAS PARA IDENTIFICAR VIALES EN TESELAS DE ORTOIMAGENES, SEGMENTARLAS SEMANTICAMENTE A NIVEL DE PIXEL, ESTUDIAR TRATAMIENTOS DE IMAGEN Y ALGORITMOS PARA VECTORIZAR LOS EJES Y LAS LINEAS DE LOS VIALES EXTRAYENDO GEOMETRIAS QUE LOS REPRESENTEN. PARA APROVECHAR LA DISPONIBILIDAD DE IMAGENES DE COPERNICUS SE ESTUDIARAN METODOS DE APRENDIZAJE PROFUNDO Y REDES GAN QUE PERMITAN REALIZAR UPSCALING/SUPER RESOLUCION PARA PROCESARLAS E IDENTIFICAR CAMBIOS. EN DEFINITIVA, LOS RESULTADOS DE LA INVESTIGACION AYUDARAN A CREAR CONOCIMIENTO APLICABLE A LA ACTUALIZACION DE LA CARTOGRAFIA VIARIA Y LA GENERACION DE CARTOGRAFIA DE ALTA DEFINICION PARA LA CONDUCCION AUTONOMA. UNA DE LAS LIMITACIONES DEL APRENDIZAJE SUPERVISADO (ENTRENAMIENTO DE LAS CNNS) ES LA NECESIDAD DE GRANDES BANCOS DE DATOS DE ENTRENAMIENTO FORMADOS POR TESELAS DE IMAGENES CLASIFICADAS Y ANOTACIONES SEMANTICAS A NIVEL DE PIXEL PARA OBTENER RESULTADOS FIABLES. CON ESTE FIN, EL PROYECTO PLANTEA 4 HIPOTESIS QUE DAN LUGAR A UN CONJUNTO DE 16 OBJETIVOS QUE CONDUCEN LA INVESTIGACION ENTORNO A: GENERAR DOS GRANDES BANCOS DE DATOS DE ENTRENAMIENTO, REENTRENAR ARQUITECTURAS YA EXPERIMENTADAS Y DE OTRAS QUE SE IDENTIFIQUEN TRABAJANDO CON DISTINTOS TAMAÑOS DE TESELAS, INVESTIGAR Y DESARROLLAR QUE PERMITAN EXTRAER LAS GEOMETRIAS DE LOS EJES DE FORMA AUTOMATICA, INVESTIGAR Y EXPERIMENTAR OTRAS TECNICAS DE DEEP LEARNING PARA MEJORAR LOS RESULTADOS DE LAS SEGMENTACIONES SEMANTICAS Y FINALMENTE INVESTIGAR TECNICAS DE DEEP LEARNING DE SUPER RESOLUCION PARA MEJORAR LAS ORTOIMAGENES DE SATELITE PARA EXTRAER LINEAS DE LOS CARRILES DE LAS CARRETERAS PARA GENERAR CARTOGRAFIA DE ALTA DEFINICION PARA LA NAVEGACION AUTONOMA.EL PROYECTO GENERA CONOCIMIENTO, IDENTIFICANDO ARQUITECTURAS DE REDES PARA EXTRAER GEOMETRIAS DE LAS IMAGENES. LOS RESULTADOS SERAN LAS PUBLICACIONES CIENTIFICAS PROPUESTAS. DESDE EL PUNTO DE VISTA PRACTICO/COLABORACION, EL INTERES Y LA TRANSFERENCIA DEL CONOCIMIENTO Y METODOLOGIAS QUE SE EXPERIMENTARAN ESTA GARANTIZADO POR LOS EQUIPOS DE INVESTIGACION Y TRABAJO EN LA QUE 4 FUNCIONARIOS DEL IGN FORMAN PARTE. ETECCION Y EXTRACCION\BANCO DE PRUEBAS\TESELAS DE ORTOIMAGENES\REDES GAN\METAGRAMATICAS\NEUROEVOLUCION\SEGMENTACION SEMANTICA\MODELOS Y ARQUITECTURAS CNN\DEEP LEARNING\VIALES