O módulo de Mapas de Visão Computacional, parte do conjunto de ferramentas de Aumento de Dados, gera contexto espacial a partir de dados raster, quantificando as características locais dos dados ao redor de cada pixel. Ele utiliza um modelo de aprendizado profundo pré-treinado, chamado ResNet-50, para produzir recursos numéricos de alta dimensão, ou embeddings, que codificam características como forma, texturas, contraste e variação dentro de cada bloco de dados de entrada.

A ResNet-50 foi originalmente projetada para reconhecimento de imagens, mas na aplicação de Aumento de Dados, ela é usada para gerar recursos espacialmente relevantes a partir de camadas de dados existentes. Em vez de classificar o conteúdo de uma imagem, ela resume numericamente os padrões locais nos dados, como embeddings. Estes são então usados ​​como entradas nos fluxos de trabalho de modelagem preditiva do DORA para melhorar o desempenho e a sensibilidade espacial.

O resultado ajuda o DORA a reconhecer padrões geológicos definidos por texturas e gradientes circundantes, e não apenas por valores de pixels isolados. Em outras palavras, permite que o algoritmo pense mais como um geólogo, examinando o contexto de qualquer local, e não apenas o local em si.

Os mapas de visão computacional são usados ​​no DORA para fornecer contexto espacial em torno de cada pixel raster. Em vez de analisar os valores de células individuais isoladamente, o módulo resume a textura e os recursos estruturais circundantes dos dados. Isso permite que os modelos preditivos levem em consideração padrões, limites e gradientes que frequentemente carregam significado geológico.

O processo funciona dividindo o raster de entrada em patches sobrepostos. Cada patch é processado pelo modelo ResNet, que retorna uma representação numérica (embedding). Essa representação é um conjunto de recursos que captura como os dados variam naquela área local. Esses recursos ajudam o DORA a reconhecer estruturas sutis, contrastes e padrões que podem indicar mudanças na litologia, zonas de alteração ou sobreposições estruturais.

Os resultados não foram concebidos para serem visualizados isoladamente, embora por vezes reflitam características geológicas observáveis, mas sim para funcionarem nos bastidores. A sua eficácia reside na forma como suportam outros módulos e melhoram o desempenho geral do modelo.

Os mapas de visão computacional aprimoram a exploração geológica, permitindo que os modelos avaliem o contexto geológico ao redor de cada local. Ao codificar padrões de forma, contraste, textura e estrutura, o módulo proporciona aos fluxos de trabalho de aprendizado de máquina uma compreensão mais completa dos dados.

Isso reduz o risco de sobreajuste (overfitting) a anomalias isoladas e incentiva o modelo a reconhecer relações espaciais significativas, de forma semelhante à interpretação de dados por um geólogo. O resultado são previsões mais plausíveis do ponto de vista geológico, e não apenas estatisticamente precisas.

Como o módulo aplica o mesmo processo em toda a área de interesse, ele oferece uma maneira consistente e objetiva de incluir textura e estrutura na modelagem. O resultado é um modelo mais completo que reflete melhor o contexto geológico e permite uma definição de alvos mais precisa e espacialmente consciente.

Entre em contato com seu representante da DORA ou envie um e-mail para suporte@VRIFY.com para obter mais informações.