Inteligencia Artificial Aplicada al Territorio

Deep Learning El aprendizaje profundo es un tipo de aprendizaje de representaciones que está formado por la composición de múltiples transformaciones no lineales, usualmente redes neuronales, con el objetivo de producir representaciones más abstractas y ultimadamente más útiles para la clasificación de información. Dicha arquitectura de aprendizaje profundo, tiene entre su infinidad de aplicaciones, la de estructurar metodología o procesos que lleven a la detección de cambios en el territorio, a partir de Redes Neuronales Artificiales profundas, Redes Neuronales Convolucionales Profundas.  Básicamente es un conjunto de algoritmos de aprendizaje que usan técnicas de Redes neuronales y que en cada capa extraen y procesan información útil para una siguiente capa de forma que es capaz de obtener como resultado un aprendizaje minucioso de la información de entrada y poder extraer conclusiones importantes o relevantes.  El Deep Learning o aprendizaje profundo es un subcamp

INTELIGENCIA ARTIFICIAL APLICADA A LA DETECCIÓN DE CAMBIOS EN EL TERRITORIO El proyecto es realizado o se inició en el año 2016, cuyo objetivo es desarrollar una herramienta tecnológica que le permitirá detectar, automáticamente, cambios en el territorio a partir de ortofotos, busca identificar cambios de tipo vial o por nuevas construcciones. La tecnología desarrollada integra la librería de código abierto TensorFlow, desarrollada por Google, para el aprendizaje automático (Machine Learning). El trabajo realizado por GRAFCAN se ha centrado, principalmente, en la definición y evaluación de diversas arquitecturas de redes neuronales y en la creación de herramientas de generación de patrones de entrenamiento para dichas redes, La red desarrollada consta de 22 capas neuronales con más de 36 millones de parámetros a ajustar durante los procesos de entrenamiento. En estos entrenamientos de la red, tanto el inicial como los posteriores, se utilizan unos 85.000 patrones que son procesad

Analisis Articulo "Hyperspectral image classification via contextual deep learning" En el presente artículo se presenta una técnica o alternativa para el procesamiento de imágenes hiperespectrales, debido a la gran información espectral y espacial de estas imágenes se hace muy difícil la clasificación de coberturas y elementos presentes en ellas usando técnicas convencionales puesto que estas implican mucho tiempo y un elevado costo para su procesamiento. En la clasificación convencional principalmente lo que se hace es a partir de los niveles digitales de cada pixel, realizar la asociación de estos a un elemento especifico teniendo en cuenta la curva espectral y sus niveles de reflectancia, esto es relativamente sencillo en imágenes que no contienen un elevado número de bandas espectrales, ahora bien cuando se trata de imágenes Hiperespectrales se hace bastante difícil crear patrones para la clasificación,  ya que el número de semillas o puntos de muestreo serian dema