9 oct. 2017

Deep Learning para la detección de elementos cartográficos


Uno de los retos más importantes a los que se enfrenta un productor de cartografía es el de ofrecer un adecuado nivel de actualización. Reto muy difícil de superar cuando el área que se gestiona es muy extensa, dado lo complicado y laborioso que resulta detectar los cambios habidos en el territorio.

Hasta la fecha, este tipo de trabajos se viene realizando generalmente mediante análisis visual de imágenes aéreas, sin que medie en la tarea ningún tipo de automatización.

Desde hace algún tiempo, el Grupo de Informática del Departamento de Matemáticas y Computación de la Universidad de La Rioja (UR), viene investigando en la utilización de técnicas de Deep Learning aplicadas a imágenes biomédicas. El objetivo que persigue su trabajo es la detección y medición de tejidos, mediante el entrenamiento de sistemas neuronales para el reconocimiento automático de patrones gráficos.

Sin intentar establecer ningún tipo de paralelismo, se pensó que este tipo de técnicas podrían tener aplicación sobre imágenes ortorrectificadas del territorio, con el fin de poder detectar la existencia y ubicación de ciertas estructuras con representación cartográfica.

Con este objetivo, recientemente se ha puesto en marcha una línea de colaboración entre la Universidad de La Rioja e IDErioja, orientada a explorar las posibilidades potenciales de estas técnicas para la identificación y trazado de edificaciones y viales a partir de imágenes aéreas.

Los primeros trabajos, desarrollados hasta ahora solo en uno de los posibles niveles de entrenamiento, han demostrado la potencialidad y viabilidad del proyecto.

Para diseñar el proceso de autoaprendizaje, se han utilizado los bancos de imágenes y etiquetados: Massachusetts Roads Dataset y Massachusetts Buildings Dataset (Machine Learning for Aerial Image Labeling by Volodymyr Mnih, University of Toronto).

Dado que los patrones urbanísticos americanos difieren sensiblemente de los europeos, se ha apuntado la posibilidad de desarrollar un banco de imágenes a partir de ortofotos PNOA y cartografía vectorial, con el fin de mejorar los procesos de reconocimiento.

Por ello, además de profundizar en la programación y la utilización de nuevas redes de reciente creación como Tiramisu, U-Net, Enet... está previsto crear próximamente unas colecciones específicas de imágenes de entrenamiento.

El pasado 4 de octubre, dentro de la programación de conferencias del Seminario Mirian Andrés de la UR, el autor del trabajo Jónathan Heras, expuso el resultado de lo realizado hasta este momento, así como las líneas futuras de desarrollo (https://seminariomirianandres.unirioja.es/2017/10/04/inteligencia-artificial-para-interpretar-mapas/).

Las diapositivas de la presentación se pueden consultar en el siguiente enlace: https://docs.google.com/presentation/d/1V6TaFOaDuzmkN0hay24IjBOZOhBtKYtNvOFGjiH9GuQ/edit#slide=id.g27776bde31_1_144

Publicado por Gonzalo López (IDERioja).

No hay comentarios: