El módulo de Mapas de Visión por Computadora, parte del conjunto de herramientas de Aumento de Datos, genera contexto espacial a partir de datos ráster cuantificando las características locales de los datos alrededor de cada píxel. Utiliza un modelo de aprendizaje profundo preentrenado, llamado ResNet-50, para producir características numéricas de alta dimensión, o incrustaciones (embeddings), que codifican propiedades como la forma, las texturas, el contraste y la variación dentro de cada segmento de datos de entrada.

ResNet-50 fue diseñado originalmente para el reconocimiento de imágenes, pero en la aplicación de Aumento de Datos, se emplea para generar características con conciencia espacial a partir de capas de datos existentes. En lugar de clasificar el contenido de una imagen, resume los patrones locales de los datos en forma numérica, como incrustaciones. Estas se utilizan luego como entradas en los flujos de trabajo de modelado predictivo de DORA mejorando el rendimiento y la sensibilidad espacial.

La información obtenida ayuda a DORA a reconocer patrones geológicos definidos por texturas y gradientes del entorno, no solo por valores de píxeles aislados. En otras palabras, permite que el algoritmo piense más como un geólogo, examinando el entorno de cualquier ubicación determinada y no solo la ubicación en sí.

Los Mapas de Visión por Computadora (Computer Vision Maps) se utilizan dentro de DORA para proporcionar contexto espacial a cada píxel ráster. En lugar de analizar los valores de las celdas individuales de forma aislada, el módulo resume la textura circundante y las características estructurales de los datos. Esto permite que los modelos predictivos tengan en cuenta patrones, límites y gradientes que a menudo poseen significado geológico.

El proceso funciona dividiendo el ráster de entrada en segmentos superpuestos. Cada segmento se procesa mediante el modelo ResNet, que devuelve una incrustación numérica (embedding). Esta incrustación es un conjunto de características que capturan la variación de los datos en esa área local. Estas características ayudan a DORA a reconocer estructuras sutiles, contrastes y patrones que podrían indicar cambios en la litología, zonas de alteración o sobreimpresiones estructurales.

Los resultados no están diseñados para visualizarse de forma independiente, aunque en ocasiones reflejan características geológicas observables. Su propósito es trabajar en segundo plano. Su efectividad se demuestra en la forma en que apoyan a otros módulos y mejoran el rendimiento general del modelo.

Los Mapas de Visión por Computadora mejoran la exploración al permitir que los modelos evalúen el contexto geológico que rodea cada ubicación. Al codificar patrones de forma, contraste, textura y estructura, el módulo proporciona a los flujos de trabajo de aprendizaje automático una comprensión más completa de los datos.

Esto reduce el riesgo de sobreajuste (overfitting) a anomalías aisladas y fomenta que el modelo reconozca relaciones espaciales significativas, de manera similar a como un geólogo interpreta los datos. El resultado son predicciones más razonables desde el punto de vista geológico, no solo estadísticamente precisas.

Como el módulo aplica el mismo proceso en toda el Área de Interés (AOI), ofrece una forma consistente y objetiva de incluir la textura y la estructura en la modelización. El resultado es un modelo más informado, que refleja mejor el contexto geológico y respalda una selección de objetivos más confiable y con conciencia espacial.

Comuníquese con su contacto asignado de DORA o envíe un correo electrónico soporte@VRIFY.com para obtener más información.