COTESA está desarrollando una novedosa metodología en el proyecto GEOFAKE (Generation of false knowledge about earth) que está enmarcado en los planes de trabajo del programa de I+D Coincidente de la Dirección General de Armamento y Material (DGAM) del Ministerio de Defensa. Esta metodología innovadora utiliza Inteligencia Artificial para generar dataset sintéticos de alta calidad y realismo en el ámbito de la seguridad y defensa.
El proyecto GEOFAKE hace uso de las redes neuronales avanzadas para generar automáticamente imágenes aéreas sintéticas de alta resolución, por ejemplo: UAV’s o VHR, introduciendo elementos relacionados con el ámbito de la seguridad y defensa de forma realista.
En la figura se puede observar un ejemplo de las imágenes sintéticas generando a una persona en mitad de la carretera.
La Inteligencia Artificial, concretamente los modelos de Deep Learning, necesitan una gran cantidad de datos para aprender patrones relevantes que permitan realizar tareas de segmentación semántica, detección o clasificación. Sin embargo, la generación de estos datos es muy costosa y, en ciertos campos, por ejemplo: en defensa militar, esta adquisición de muestras representativas es muy escasa. Además, es necesario recopilar muestras representativas de cada clase en diferentes condiciones y, que estas, estén balanceadas para obtener modelos robustos.
COTESA ha estudiado una manera de abordar estas limitaciones mediante algoritmos basados en redes neuronales avanzadas. Este tipo de redes generan imágenes realistas introduciendo diferentes elementos de una forma realista. Esta generación de imágenes permitirá generar dataset de una manera eficiente y, además, controlando diferentes condiciones ambientales, por ejemplo: variaciones de iluminación o cambios en las condiciones atmosféricas. Esta característica permitirá obtener datasets robustos y de gran cantidad de imágenes. Estos dataset se utilizarán en algoritmos de Visión Artificial que permitirán realizar tareas de clasificación, segmentación y detección.
Los resultados de este Proyecto I+D+I se adaptarán a otros tipos de ámbitos, por ejemplo: la generación de diferentes cultivos o artefactos, y sensores con menor resolución espacial, por ejemplo: Sentinel 2, con el objeto de generar dataset de una manera más eficiente para otros proyectos. Este proyecto estaría en consonancia con los Objetivos de Desarrollo Sostenible: (3) Salud y bienestar y (11) Ciudades y Comunidades Sostenibles.
Finalmente, el objetivo final del proyecto es desarrollar herramientas genéricas que se puedan adaptar a diversas fuentes y retos con el fin de reducir la necesidad de la generación manual de datasets.
Además, el proyecto buscará el impacto científico, es decir, su implicación con la comunidad de investigadores para validar la presente metodología y dotar los productos a un elevado grado de fiabilidad y desarrollo.
La Inteligencia Artificial, concretamente los modelos de Deep Learning, necesitan una gran cantidad de datos para aprender patrones relevantes que permitan realizar tareas de segmentación semántica, detección o clasificación. Sin embargo, la generación de estos datos es muy costosa y, en ciertos campos, por ejemplo: en defensa militar, esta adquisición de muestras representativas es muy escasa. Además, es necesario recopilar muestras representativas de cada clase en diferentes condiciones y, que estas, estén balanceadas para obtener modelos robustos.
COTESA ha estudiado una manera de abordar estas limitaciones mediante algoritmos basados en redes neuronales avanzadas. Este tipo de redes generan imágenes realistas introduciendo diferentes elementos de una forma realista. Esta generación de imágenes permitirá generar dataset de una manera eficiente y, además, controlando diferentes condiciones ambientales, por ejemplo: variaciones de iluminación o cambios en las condiciones atmosféricas. Esta característica permitirá obtener datasets robustos y de gran cantidad de imágenes. Estos dataset se utilizarán en algoritmos de Visión Artificial que permitirán realizar tareas de clasificación, segmentación y detección.
Los resultados de este Proyecto I+D+I se adaptarán a otros tipos de ámbitos, por ejemplo: la generación de diferentes cultivos o artefactos, y sensores con menor resolución espacial, por ejemplo: Sentinel 2, con el objeto de generar dataset de una manera más eficiente para otros proyectos. Este proyecto estaría en consonancia con los Objetivos de Desarrollo Sostenible: (3) Salud y bienestar y (11) Ciudades y Comunidades Sostenibles.
Finalmente, el objetivo final del proyecto es desarrollar herramientas genéricas que se puedan adaptar a diversas fuentes y retos con el fin de reducir la necesidad de la generación manual de datasets.
Además, el proyecto buscará el impacto científico, es decir, su implicación con la comunidad de investigadores para validar la presente metodología y dotar los productos a un elevado grado de fiabilidad y desarrollo.
