http://sedici.unlp.edu.ar:80/handle/10915/190225 Thu, 12 Nov 2026 01:21:58 GMT 2026-11-12T01:21:58Z http://sedici.unlp.edu.ar:80/handle/10915/190463 Objeto de conferencia Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Este trabajo busca crear un modelo de inteligencia artificial capaz de identificar precisamente segmentos bronquiales durante navegaciones bronco-endoscópicas. Para esto, se analizaron 126 videos de broncoscopías llevados a cabo en pacientes en estado crítico en un hospital universitario en Buenos Aires, Argentina.Se presenta una dataset de videos anotados consistentemente, capturados por broncoscopistas de diversa experiencia. Se evaluó el acuerdo entre anotadores para la clasificación de imágenes usando el coeficiente kappa de Cohen. Imágenes de múltiples segmentos bronquiales fueron utilizadas para entrenar una red neuronal convolucional como modelo de clasificación.Este artículo presenta el esquema de anotación, las reglas de etiquetado, el corpus presentado y algunos resultados preliminares. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190463 2025-01-01T00:00:00Z Este trabajo busca crear un modelo de inteligencia artificial capaz de identificar precisamente segmentos bronquiales durante navegaciones bronco-endoscópicas. Para esto, se analizaron 126 videos de broncoscopías llevados a cabo en pacientes en estado crítico en un hospital universitario en Buenos Aires, Argentina.Se presenta una dataset de videos anotados consistentemente, capturados por broncoscopistas de diversa experiencia. Se evaluó el acuerdo entre anotadores para la clasificación de imágenes usando el coeficiente kappa de Cohen. Imágenes de múltiples segmentos bronquiales fueron utilizadas para entrenar una red neuronal convolucional como modelo de clasificación.Este artículo presenta el esquema de anotación, las reglas de etiquetado, el corpus presentado y algunos resultados preliminares. http://sedici.unlp.edu.ar:80/handle/10915/190461 Objeto de conferencia Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) El reconocimiento de acciones es importante para la comprensión de videos, más aún cuando se trata de videos egocéntricos.Existen múltiples aplicaciones para este tipo de reconocimiento, como el monitoreo automático y continuo de actividades de la vida cotidiana, resumen de videos, interpretación de interacciones sociales, entre otros. El desafío de este tipo de videos se encuentra en la velocidad de la cámara, oclusiones y fondos de escena desordenados. Una manera de abordar este problema se centra en explorar la información de la ubicación de las manos y objetos del portador del dispositivo de captura (Gopro, HoloLens). Con el fin de disminuir el costo computacional, un abordaje es utilizar datos 2D. En este estudio se propone el reconocimiento de acciones egocéntricas empleando la pose 2D de manos y objetos para la clasificación de secuencias utilizando un método basado en la combinación de YOLOv8 y Visual Transfomer sobre un subconjunto del dataset H2O. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190461 2025-01-01T00:00:00Z El reconocimiento de acciones es importante para la comprensión de videos, más aún cuando se trata de videos egocéntricos.Existen múltiples aplicaciones para este tipo de reconocimiento, como el monitoreo automático y continuo de actividades de la vida cotidiana, resumen de videos, interpretación de interacciones sociales, entre otros. El desafío de este tipo de videos se encuentra en la velocidad de la cámara, oclusiones y fondos de escena desordenados. Una manera de abordar este problema se centra en explorar la información de la ubicación de las manos y objetos del portador del dispositivo de captura (Gopro, HoloLens). Con el fin de disminuir el costo computacional, un abordaje es utilizar datos 2D. En este estudio se propone el reconocimiento de acciones egocéntricas empleando la pose 2D de manos y objetos para la clasificación de secuencias utilizando un método basado en la combinación de YOLOv8 y Visual Transfomer sobre un subconjunto del dataset H2O. http://sedici.unlp.edu.ar:80/handle/10915/190459 Objeto de conferencia Diseño de un extractor de característica modular para imágenes hiperespectrales Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Hyperspectral image sensors capture surface reflectance across a range of wavelengths, which record detailed spectral information in terms of hundreds of bands. The classification of hyperspectral images has generated significant interest among researchers in the remote sensing community, as the large number of bands provides rich spectral information that can be used to classify objects, determine chemical components, or detect vegetation changes; all of which are useful in areas such as agriculture, geology, medicine, etc. However, due to dense sampling, some bands may contain redundant information; and sometimes, spectral information alone may not be su!cient to achieve the desired accuracy in results. E”orts have been made to describe all possible feature extraction mechanisms that add more information to multi-spectral images.Therefore, in this work, we present the design of a tool that implements a uniform and configurable interface for the extraction of spectral and spatial features from hyperspectral images.; Los sensores de imagen hiperespectral capturan la reflectancia superficial en un rango de longitudes de onda, las cuales registran la información espectral detallada en términos de cientos de bandas. La clasificación de imágenes hiperespectrales ha despertado un gran interés entre los investigadores de la comunidad de teledetección, ya que la gran cantidad de bandas proporciona una información espectral rica para ser utilizada para clasificar objetos, determinar componentes químicos o detectar cambios de vegetación; todo esto útil en áreas como la agricultura, la geología, la medicina, etc. Sin embargo, debido al muestreo denso,  algunas bandas pueden contener información redundante; y a veces, la información espectral por sí sola puede no ser suficiente para obtener la precisión deseada de los resultados. Se han realizado esfuerzos para describir todos los posibles mecanismos de extracción de características que agreguen más información a las imágenes de múltiples espectros.Consiguiente, en este trabajo presentamos el diseño de una herramienta que implementa una interfaz uniforme y configurable para la extracción de características espectrales y espaciales de imágenes hiperespectrales. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190459 2025-01-01T00:00:00Z Hyperspectral image sensors capture surface reflectance across a range of wavelengths, which record detailed spectral information in terms of hundreds of bands. The classification of hyperspectral images has generated significant interest among researchers in the remote sensing community, as the large number of bands provides rich spectral information that can be used to classify objects, determine chemical components, or detect vegetation changes; all of which are useful in areas such as agriculture, geology, medicine, etc. However, due to dense sampling, some bands may contain redundant information; and sometimes, spectral information alone may not be su!cient to achieve the desired accuracy in results. E”orts have been made to describe all possible feature extraction mechanisms that add more information to multi-spectral images.Therefore, in this work, we present the design of a tool that implements a uniform and configurable interface for the extraction of spectral and spatial features from hyperspectral images. Los sensores de imagen hiperespectral capturan la reflectancia superficial en un rango de longitudes de onda, las cuales registran la información espectral detallada en términos de cientos de bandas. La clasificación de imágenes hiperespectrales ha despertado un gran interés entre los investigadores de la comunidad de teledetección, ya que la gran cantidad de bandas proporciona una información espectral rica para ser utilizada para clasificar objetos, determinar componentes químicos o detectar cambios de vegetación; todo esto útil en áreas como la agricultura, la geología, la medicina, etc. Sin embargo, debido al muestreo denso,  algunas bandas pueden contener información redundante; y a veces, la información espectral por sí sola puede no ser suficiente para obtener la precisión deseada de los resultados. Se han realizado esfuerzos para describir todos los posibles mecanismos de extracción de características que agreguen más información a las imágenes de múltiples espectros.Consiguiente, en este trabajo presentamos el diseño de una herramienta que implementa una interfaz uniforme y configurable para la extracción de características espectrales y espaciales de imágenes hiperespectrales. http://sedici.unlp.edu.ar:80/handle/10915/190458 Objeto de conferencia Clasificación automática de tipos polínicos apícolas Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) This study assesses the effectiveness of automatically classifying pollen types relevant to apiculture using convolutional neural networks. Using samples from ten bee-foraged plant species from Buenos Aires (Argentina), non-acetolyzed hydrated pollen specimens were prepared and photographed under an optical microscope at a medium magnification (10× objective lens). A segmentation algorithm was developed to extract individual pollen grain images, generating two independent datasets. Preliminary non-acetolyzed results with the ResNet18 network show 90% accuracy for grayscale images versus 63% for color images. This research aims to optimize the automatic identification of the floral origin of honeys from Buenos Aires using low-complexity equipment.; Este trabajo evalúa la eficacia de clasificación automática de tipos polínicos apícolas mediante redes neuronales convolucionales. Utilizando muestras de diez especies de plantas apícolas de Buenos Aires (Argentina) se prepararon y fotografiaron especímenes polínicos hidratados sin acetolizar bajo microscopio óptico con un aumento mediano (10× lente objetivo). Se desarrolló un algoritmo de segmentación para extraer imágenes individuales de granos de polen, generando dos conjuntos de datos independientes. Los resultados preliminares con la red ResNet18 sin acetólisis muestran una precisión del 90% para imágenes en escala de grises versus 63% para imágenes en color. Esta investigación busca optimizar la identificación automática del origen floral de mieles bonaerenses utilizando equipamiento de baja complejidad. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190458 2025-01-01T00:00:00Z This study assesses the effectiveness of automatically classifying pollen types relevant to apiculture using convolutional neural networks. Using samples from ten bee-foraged plant species from Buenos Aires (Argentina), non-acetolyzed hydrated pollen specimens were prepared and photographed under an optical microscope at a medium magnification (10× objective lens). A segmentation algorithm was developed to extract individual pollen grain images, generating two independent datasets. Preliminary non-acetolyzed results with the ResNet18 network show 90% accuracy for grayscale images versus 63% for color images. This research aims to optimize the automatic identification of the floral origin of honeys from Buenos Aires using low-complexity equipment. Este trabajo evalúa la eficacia de clasificación automática de tipos polínicos apícolas mediante redes neuronales convolucionales. Utilizando muestras de diez especies de plantas apícolas de Buenos Aires (Argentina) se prepararon y fotografiaron especímenes polínicos hidratados sin acetolizar bajo microscopio óptico con un aumento mediano (10× lente objetivo). Se desarrolló un algoritmo de segmentación para extraer imágenes individuales de granos de polen, generando dos conjuntos de datos independientes. Los resultados preliminares con la red ResNet18 sin acetólisis muestran una precisión del 90% para imágenes en escala de grises versus 63% para imágenes en color. Esta investigación busca optimizar la identificación automática del origen floral de mieles bonaerenses utilizando equipamiento de baja complejidad. http://sedici.unlp.edu.ar:80/handle/10915/190457 Objeto de conferencia CheXmask: A large-scale dataset of anatomical segmentation masks for multi-center chest x-ray images Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025); https://doi.org/10.1038/s41597-024-03358-1 This study introduces CheXmask, an extensive chest X-ray segmentation dataset with 657,566 anatomical masks across five major public databases: ChestX-ray8, Chexpert, MIMIC-CXR-JPG, Padchest, and VinDr-CXR. The dataset addresses the critical shortage of pixel-level anatomical annotations required for developing robust deep learning segmentation models for chest radiography analysis. En documentos relacionados se encuentra disponible el artículo completo. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190457 2025-01-01T00:00:00Z This study introduces CheXmask, an extensive chest X-ray segmentation dataset with 657,566 anatomical masks across five major public databases: ChestX-ray8, Chexpert, MIMIC-CXR-JPG, Padchest, and VinDr-CXR. The dataset addresses the critical shortage of pixel-level anatomical annotations required for developing robust deep learning segmentation models for chest radiography analysis. http://sedici.unlp.edu.ar:80/handle/10915/190456 Objeto de conferencia Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) En este trabajo se analizan las variaciones espectrales y térmicas de la cuenca del Río Reconquista, Provincia de Buenos Aires, Argentina. Se utilizan para tal fin imágenes satelitales ópticas provenientes de la misión Landsat 8. El objetivo es conocer la cuenca del río, su masa de agua, la cubierta vegetal y el posible uso del suelo. También realizar inferencias para predecir inundaciones o sequías en la región. Se procesan imágenes multiespectrales, incluyendo la banda térmica para evaluar cambios en la reflectancia y la temperatura superficial del agua. Los resultados obtenidos muestran la utilidad de la teledetección para el monitoreo ambiental y la identificación de cuerpos de agua en entornos urbanos y periurbanos. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190456 2025-01-01T00:00:00Z En este trabajo se analizan las variaciones espectrales y térmicas de la cuenca del Río Reconquista, Provincia de Buenos Aires, Argentina. Se utilizan para tal fin imágenes satelitales ópticas provenientes de la misión Landsat 8. El objetivo es conocer la cuenca del río, su masa de agua, la cubierta vegetal y el posible uso del suelo. También realizar inferencias para predecir inundaciones o sequías en la región. Se procesan imágenes multiespectrales, incluyendo la banda térmica para evaluar cambios en la reflectancia y la temperatura superficial del agua. Los resultados obtenidos muestran la utilidad de la teledetección para el monitoreo ambiental y la identificación de cuerpos de agua en entornos urbanos y periurbanos. http://sedici.unlp.edu.ar:80/handle/10915/190455 Objeto de conferencia Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Un alto porcentaje de vehículos son transportados vía marítima, donde son manipulados según protocolos específicos. Controlar su estado y detectar daños recae en personal capacitado, lo que genera dificultades al momento de imputar responsabilidades. Para mejorar la eficiencia de estos procesos, la Visión Artificial (VA) se ha consolidado como una alternativa viable para detectar y clasificar daños en distintas industrias. El objetivo de este trabajo es implementar el uso de algoritmos de Inteligencia Artificial (IA) para detectar y clasificar daños en la industria marítima. Se describe la creación y ejecución de 3 modelos de Redes Neuronales Convolucionales (RNC) para identificar tipos de daños, partes de autos dañados, y lugares donde son producidos, así como el procedimiento para obtener la información de las bases de datos actualmente en producción en la industria automotriz. Luego, se realiza un análisis profundo para determinar la exactitud de los resultados obtenidos y los cambios que se deben hacer en los procesos para producir mejores modelos de RNC. Se ha comprobado que las técnicas de VA basadas en RNC son altamente efectivas para implementar soluciones destinadas a la detección y clasificación de daños en esta industria. También se ha demostrado que es conveniente para la industria marítima estandarizar tanto los procesos de inspección como los procedimientos de captura de datos para producir modelos de IA con mejores resultados. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190455 2025-01-01T00:00:00Z Un alto porcentaje de vehículos son transportados vía marítima, donde son manipulados según protocolos específicos. Controlar su estado y detectar daños recae en personal capacitado, lo que genera dificultades al momento de imputar responsabilidades. Para mejorar la eficiencia de estos procesos, la Visión Artificial (VA) se ha consolidado como una alternativa viable para detectar y clasificar daños en distintas industrias. El objetivo de este trabajo es implementar el uso de algoritmos de Inteligencia Artificial (IA) para detectar y clasificar daños en la industria marítima. Se describe la creación y ejecución de 3 modelos de Redes Neuronales Convolucionales (RNC) para identificar tipos de daños, partes de autos dañados, y lugares donde son producidos, así como el procedimiento para obtener la información de las bases de datos actualmente en producción en la industria automotriz. Luego, se realiza un análisis profundo para determinar la exactitud de los resultados obtenidos y los cambios que se deben hacer en los procesos para producir mejores modelos de RNC. Se ha comprobado que las técnicas de VA basadas en RNC son altamente efectivas para implementar soluciones destinadas a la detección y clasificación de daños en esta industria. También se ha demostrado que es conveniente para la industria marítima estandarizar tanto los procesos de inspección como los procedimientos de captura de datos para producir modelos de IA con mejores resultados. http://sedici.unlp.edu.ar:80/handle/10915/190454 Objeto de conferencia Detección de objetos a alta velocidad en videos de tenis Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Today, where technology and data analysis have revolutionized multiple industries, sports is no exception. In both team and individual sports, sports statistics enable data-driven decision making, which has created a significant competitive advantage.However, these metrics are still far removed from amateur athletes, who do not have access to reliable metrics, making it difficult to track their performance.For all these reasons, the investigation of methods for detecting player, ball and court boundary movement is presented, with the aim of obtaining tennis match metrics using accessible equipment. In particular, as part of the integral solution, a method for high-speed object recognition is proposed, whose computational cost and performance is better than current proposals.; En la actualidad, donde la tecnología y el análisis de datos ha revolucionado múltiples industrias, el deporte no es la excepción. Tanto en deportes de equipo como en individuales, las estadísticas deportivas permiten tomar decisiones basadas en datos concretos, lo que ha generado una ventaja competitiva significativa.Sin embargo, estas métricas aún están muy alejadas de los deportistas aficionados, quienes no cuentan con acceso a métricas de forma fiable, dificultando el seguimiento de su rendimiento.Por todo esto, se presenta la investigación de métodos para detectar el movimiento de los jugadores, de la pelota y de los límites de la cancha, con el objetivo de obtener métricas de partidos de tenis utilizando equipamiento accesible. En particular, como parte de la solución integral, se propone un método para reconocimiento de objetos a alta velocidad, cuyo costo computacional y performance resulta mejor que propuestas actuales Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190454 2025-01-01T00:00:00Z Today, where technology and data analysis have revolutionized multiple industries, sports is no exception. In both team and individual sports, sports statistics enable data-driven decision making, which has created a significant competitive advantage.However, these metrics are still far removed from amateur athletes, who do not have access to reliable metrics, making it difficult to track their performance.For all these reasons, the investigation of methods for detecting player, ball and court boundary movement is presented, with the aim of obtaining tennis match metrics using accessible equipment. In particular, as part of the integral solution, a method for high-speed object recognition is proposed, whose computational cost and performance is better than current proposals. En la actualidad, donde la tecnología y el análisis de datos ha revolucionado múltiples industrias, el deporte no es la excepción. Tanto en deportes de equipo como en individuales, las estadísticas deportivas permiten tomar decisiones basadas en datos concretos, lo que ha generado una ventaja competitiva significativa.Sin embargo, estas métricas aún están muy alejadas de los deportistas aficionados, quienes no cuentan con acceso a métricas de forma fiable, dificultando el seguimiento de su rendimiento.Por todo esto, se presenta la investigación de métodos para detectar el movimiento de los jugadores, de la pelota y de los límites de la cancha, con el objetivo de obtener métricas de partidos de tenis utilizando equipamiento accesible. En particular, como parte de la solución integral, se propone un método para reconocimiento de objetos a alta velocidad, cuyo costo computacional y performance resulta mejor que propuestas actuales http://sedici.unlp.edu.ar:80/handle/10915/190453 Objeto de conferencia Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025); https://doi.org/10.1111/exsy.13598 Glioblastoma multiforme (GBM) is the most prevalent and agressive primary brain tumour that has the worst prognosis in adults. Currently, the automatic segmentation of this kind of tumour is being intensively studied. Here, the automatic three-dimensional segmentation of the GBM is achieved with its related subzones (active tumour, inner necrosis, and peripheral oedema). Preliminary segmentations were first defined based on the four basic magnetic resonance imaging modalities and classic image processing methods (multithreshold Otsu, Chan–Vese active contours, and morphological erosion). After an automatic gap-filling post processing step, these preliminary segmentations were combined and corrected by a supervised artificial neural network of multilayer perceptron type with a hidden layer of 80 neurons, fed by 30 selected radiomic features of gray intensity and texture. Network classification has an overall accuracy of 83.9%, while the complete combined algorithm achieves average Dice similarity coefficients of 89.3%, 80.7%, 79.7%, and 66.4% for the entire region of interest, active tumour, oedema, and necrosis segmentations, respectively. These values are in the range of the best reported in the present bibliography, but even with better Hausdorff distances and lower computational costs. Results presented here evidence that it is possible to achieve the automatic segmentation of this kind of tumour by traditional radiomics. This has relevant clinical potential at the time of diagnosis, precision radiotherapy planning, or post-treatment response evaluation. En documentos relacionado se encuentra el link con el trabajo completo. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190453 2025-01-01T00:00:00Z Glioblastoma multiforme (GBM) is the most prevalent and agressive primary brain tumour that has the worst prognosis in adults. Currently, the automatic segmentation of this kind of tumour is being intensively studied. Here, the automatic three-dimensional segmentation of the GBM is achieved with its related subzones (active tumour, inner necrosis, and peripheral oedema). Preliminary segmentations were first defined based on the four basic magnetic resonance imaging modalities and classic image processing methods (multithreshold Otsu, Chan–Vese active contours, and morphological erosion). After an automatic gap-filling post processing step, these preliminary segmentations were combined and corrected by a supervised artificial neural network of multilayer perceptron type with a hidden layer of 80 neurons, fed by 30 selected radiomic features of gray intensity and texture. Network classification has an overall accuracy of 83.9%, while the complete combined algorithm achieves average Dice similarity coefficients of 89.3%, 80.7%, 79.7%, and 66.4% for the entire region of interest, active tumour, oedema, and necrosis segmentations, respectively. These values are in the range of the best reported in the present bibliography, but even with better Hausdorff distances and lower computational costs. Results presented here evidence that it is possible to achieve the automatic segmentation of this kind of tumour by traditional radiomics. This has relevant clinical potential at the time of diagnosis, precision radiotherapy planning, or post-treatment response evaluation. http://sedici.unlp.edu.ar:80/handle/10915/190443 Objeto de conferencia Sistema de visión por computador para el reconocimiento y lectura de placas vehiculares Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) This research paper presents the development of an automatic license plate recognition (ANPR) system based on computer vision and deep learning. The system uses the YOLOv8 model in segmentation mode, trained on a Bolivian license plate dataset, to detect and extract license plates from frames captured by an IP camera. Image processing with OpenCV is then applied to correct license plate orientation and perspective, improving character reading accuracy. For optical character recognition (OCR), the Microsoft TrOCR model is implemented, demonstrating high efficiency even with low-resolution images and without intensive preprocessing. The system was developed and tested on a laptop with modest hardware specifications, showing promising results that could be improved with greater computational power. The results indicate a significant improvement in license plate detection and recognition compared to traditional methods.; En este trabajo de investigación se presenta el desarrollo de un sistema de reconocimiento automático de placas vehiculares (ANPR) basado en visión por computador y aprendizaje profundo. El sistema utiliza el modelo YOLOv8 en modo segmentación, entrenado con un conjunto de datos de placas bolivianas, para detectar y extraer las placas vehiculares desde frames capturados por una cámara IP. Posteriormente, se aplica un procesamiento de imágenes con OpenCV para corregir la orientación y perspectiva de las placas, mejorando la precisión en la lectura de caracteres. Para el reconocimiento óptico de caracteres (OCR), se implementa el modelo TrOCR de Microsoft, el cual demuestra una alta eficacia incluso con imágenes de baja resolución y sin preprocesamiento intensivo. El sistema fue desarrollado y probado en una laptop con especificaciones de hardware modestas, mostrando resultados prometedores que podrían mejorar con mayor potencia computacional. Los resultados obtenidos indican una mejora significativa en la detección y reconocimiento de placas vehiculares en comparación con métodos tradicionales. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190443 2025-01-01T00:00:00Z This research paper presents the development of an automatic license plate recognition (ANPR) system based on computer vision and deep learning. The system uses the YOLOv8 model in segmentation mode, trained on a Bolivian license plate dataset, to detect and extract license plates from frames captured by an IP camera. Image processing with OpenCV is then applied to correct license plate orientation and perspective, improving character reading accuracy. For optical character recognition (OCR), the Microsoft TrOCR model is implemented, demonstrating high efficiency even with low-resolution images and without intensive preprocessing. The system was developed and tested on a laptop with modest hardware specifications, showing promising results that could be improved with greater computational power. The results indicate a significant improvement in license plate detection and recognition compared to traditional methods. En este trabajo de investigación se presenta el desarrollo de un sistema de reconocimiento automático de placas vehiculares (ANPR) basado en visión por computador y aprendizaje profundo. El sistema utiliza el modelo YOLOv8 en modo segmentación, entrenado con un conjunto de datos de placas bolivianas, para detectar y extraer las placas vehiculares desde frames capturados por una cámara IP. Posteriormente, se aplica un procesamiento de imágenes con OpenCV para corregir la orientación y perspectiva de las placas, mejorando la precisión en la lectura de caracteres. Para el reconocimiento óptico de caracteres (OCR), se implementa el modelo TrOCR de Microsoft, el cual demuestra una alta eficacia incluso con imágenes de baja resolución y sin preprocesamiento intensivo. El sistema fue desarrollado y probado en una laptop con especificaciones de hardware modestas, mostrando resultados prometedores que podrían mejorar con mayor potencia computacional. Los resultados obtenidos indican una mejora significativa en la detección y reconocimiento de placas vehiculares en comparación con métodos tradicionales. http://sedici.unlp.edu.ar:80/handle/10915/190440 Objeto de conferencia Super-resolution of satellite imagery using GAN: An approach based on training with aerial imagery Simposio Argentino de Imágenes y Visión (SAIV 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Las imágenes satelitales suelen presentar limitaciones en su resolución espacial y alto costo, lo que dificulta su uso en aplicaciones como el monitoreo urbano o de fauna. En este trabajo, se propone un enfoque novedoso que utiliza imágenes aéreas de alta resolución para entrenar un modelo de super-resolución basado en Redes Generativas Adversarias (GANs). En particular, se adaptó el modelo ESRGAN (Enhanced Super-Resolution Generative Adversarial Network), optimizando sus parámetros para reducir el tiempo de entrenamiento y mejorar su eficiencia. Los resultados preliminares muestran una mejora visual significativa en la calidad de las imágenes satelitales, demostrando la viabilidad de transferir la capacidad de super-resolución desde imágenes aéreas a imágenes satelitales. Este trabajo sienta las bases para futuras investigaciones orientadas a desarrollar modelos especializados en la super-resolución de imágenes.; Satellite images usually present limitations in their spatial resolution and high cost, which hinders their use in applications such as urban or wildlife monitoring. In this work, a novel approach is proposed that uses high-resolution aerial imagery to train a super-resolution model based on Generative Adversarial Networks (GANs). In particular, the ESRGAN (Enhanced Super-Resolution Generative Adversarial Network) model was adapted, optimizing its parameters to reduce the training time and improve its efficiency. Preliminary results show a significant visual improvement in the quality of satellite images, demonstrating the feasibility of transferring super-resolution capability from aerial images to satellite images. This work lays the foundation for future research aimed at developing specialized models for super-resolution imaging. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190440 2025-01-01T00:00:00Z Las imágenes satelitales suelen presentar limitaciones en su resolución espacial y alto costo, lo que dificulta su uso en aplicaciones como el monitoreo urbano o de fauna. En este trabajo, se propone un enfoque novedoso que utiliza imágenes aéreas de alta resolución para entrenar un modelo de super-resolución basado en Redes Generativas Adversarias (GANs). En particular, se adaptó el modelo ESRGAN (Enhanced Super-Resolution Generative Adversarial Network), optimizando sus parámetros para reducir el tiempo de entrenamiento y mejorar su eficiencia. Los resultados preliminares muestran una mejora visual significativa en la calidad de las imágenes satelitales, demostrando la viabilidad de transferir la capacidad de super-resolución desde imágenes aéreas a imágenes satelitales. Este trabajo sienta las bases para futuras investigaciones orientadas a desarrollar modelos especializados en la super-resolución de imágenes. Satellite images usually present limitations in their spatial resolution and high cost, which hinders their use in applications such as urban or wildlife monitoring. In this work, a novel approach is proposed that uses high-resolution aerial imagery to train a super-resolution model based on Generative Adversarial Networks (GANs). In particular, the ESRGAN (Enhanced Super-Resolution Generative Adversarial Network) model was adapted, optimizing its parameters to reduce the training time and improve its efficiency. Preliminary results show a significant visual improvement in the quality of satellite images, demonstrating the feasibility of transferring super-resolution capability from aerial images to satellite images. This work lays the foundation for future research aimed at developing specialized models for super-resolution imaging.