Durante los días del 17 al 21 de junio del 2024, se desarrolló la conferencia del CVPR 2024, sobre visión por computador y reconocimiento de patrones 2024 en el centro de convenciones de la ciudad de Seattle WA, USA. El CVPR de IEEE/CVF es el principal evento anual de visión por computadora que comprende la conferencia principal y varios talleres en esta temática.
El Centro de Investigación, Desarrollo e Innovación de Sistemas Computacionales (CIDIS) en representación de ESPOL asistió a dicha conferencia a través de los investigadores: PhD. Boris Vintimilla, PhD. Angel Sappa y PhD. Rafael Rivadeneira, quienes participaron en la presentación de los artículos descritos a continuación:
“Multi-modal Aerial View Image Challenge: Sensor Domain Translation”
Este artículo describe el diseño, los resultados y los principales métodos del 2nd anual Challenge Multi-modal Aerial View Image (MAVIC). El objetivo principal de este desafío es estimular los esfuerzos de investigación hacia el desarrollo de modelos capaces de traducir imágenes coalineadas entre múltiples modalidades. Específicamente, los centros de desafío sobre la traducción entre synthetic aperture radar (SAR), electro-optical (EO), and infrared (IR) sensor modalities.
Se presenta un nuevo conjunto de datos llamado Multi-modal Aerial Gathered Image Composites (MAGIC) que es un alineado y aglomerado producto de datos derivado del sistema óptico de incidentes de Coincident Optical and Radar For Recognition (UNICORN), el Alta Resolución del Servicio Geológico de los Estados Unidos (USGS) Conjunto de datos de ortoimágenes (HRO) y datos abiertos del programa UMBRA. También definimos un conjunto de traducciones más riguroso, en la cual las métricas de desempeño y los participantes establecen un nuevo estado del arte para la tarea de traducción en este novedoso conjunto de datos.
“Multi-modal Aerial View Image Challenge: SAR Classification”
El presente informe describe los resultados del “Fourth Multi-modal Aerial View Image Challenge - Classification (MAVIC-C)”. El objetivo de este reto es avanzar en el desarrollo de modelos de reconocimiento (SAR) y las imágenes electro-ópticas (EO).
Con la integración de datos procedentes de estas dos modalidades distintas, el reto pretende fomentar la creación de enfoques multimodales que complementen las características de la información SAR y EO, basándose en los precedentes de años anteriores, como el desafío MAVOC 2021 con el que se validó el potencial de la integración de las modalidades SAR y EO.
Los desafíos posteriores de 2022 y 2023 exploraron aún más las capacidades de los marcos multimodales. En su última iteración, el reto de 2024 presenta un sistema UNIfied COincident Optical and Radar for recognitioN (UNICORN) junto con un formato de concurso revisado, centrado en la clasificación SAR. El desafío 2024 evalúa la robustez de los modelos mediante medidas de la distribución, junto con las métricas de precisión tradicionales.
El núcleo de este artículo se dedica a analizar las metodologías de los de los participantes con mejores resultados y sus métricas de rendimiento en un conjunto de pruebas ciegas.
“Thermal Image Super-Resolution Challenge Results - PBVS 2024”
En este artículo se describen los avances y resultados del “Fifth Thermal Image Super-Resolution challenge, hosted at the Perception Beyond the Visible Spectrum CVPR 2024”.
Este desafío utiliza un nuevo conjunto de datos de 1000 imágenes térmicas junto con sus correspondientes imágenes RGB registradas de las mismas escenas. El desafío consta de dos pistas: la pista 1 se centra en la superresolución de una sola imagen térmica con imágenes RGB registradas de las mismas escenas con un factor de escala ×8. En cambio, la pista 2 amplió su evaluación para incluir factores de escala de ×8 y ×16, imponiendo el uso de imágenes de entrada RGB de alta resolución para guiar el proceso de superresolución de la imagen térmica de baja resolución. El reto de este año consiguió la participación de más de 175 equipos, lo que pone de relieve el creciente compromiso e interés de la comunidad investigadora la mejora de la resolución de imágenes térmicas mediante metodologías como multiespectrales.
 |
 |
 |