Modelo anisotrópico de cálculo de rutas de coste mínimo con gvSIG y SEXTANTE

La Vía Augusta era una vía romana que iba desde Cádiz hasta Roma. Estaba compuesta de un ramal principal y de diversos ramales secundarios que en su mayoría, constituyen el sustrato de la actual red principal de carreteras del Mediterráneo en la Península Ibérica. A pesar de ello, no se conoce la localización exacta de muchos de esos ramales. El presente artículo muestra un estudio de por dónde deberían atravesar, posiblemente, las rutas romanas el Pirineo Oriental. Para el cálculo de estas rutas se aplica un algoritmo de mínimo coste que incorpora diversas variables y que tiene en cuenta que el desplazamiento se lleva a cabo a pie, y siguiendo la orografía del terreno. Se utilizan en el proceso las herramientas de análisis de costes y el cálculo de rutas óptimas que incorpora SEXTANTE. En particular se estudia y se modela la ruta de mínimo coste anisotrópica, es decir aquella en la que es importante la dirección del movimiento. El proceso consiste en analizar diversas rutas de mínimo coste, entendiendo como coste el esfuerzo en recorrerla. Se busca, por tanto, el camino que sea más sencillo de recorrer teniendo en cuenta principalmente la orografía del terreno (MDT), la pendiente y su orientación. Además, en el estudio se tienen en cuenta otras variables como los usos de suelo, la red hidrográfica, la red de comunicaciones romana conocida, así como la ubicación de puentes y asentamientos romanos entre otros. Las diferentes rutas obtenidas se contrastan con las rutas propuestas por los historiadores y arqueólogos

Good-visibility computation using graphics hardware

Aquesta tesi tracta del disseny, implementació i discussió d'algoritmes per resoldre problemes de visibilitat i bona-visibilitat utilitzant el hardware gràfic de l'ordinador. Concretament, s'obté una discretització dels mapes de multi-visibilitat i bona-visibilitat a partir d'un conjunt d'objectes de visió i un conjunt d'obstacles. Aquests algoritmes són útils tant per fer càlculs en dues dimensions com en tres dimensions. Fins i tot ens permeten calcular-los sobre terrenys.

Image classification for a large number of object categories

L'increment de bases de dades que cada vegada contenen imatges més difícils i amb un nombre més elevat de categories, està forçant el desenvolupament de tècniques de representació d'imatges que siguin discriminatives quan es vol treballar amb múltiples classes i d'algorismes que siguin eficients en l'aprenentatge i classificació. Aquesta tesi explora el problema de classificar les imatges segons l'objecte que contenen quan es disposa d'un gran nombre de categories. Primerament s'investiga com un sistema híbrid format per un model generatiu i un model discriminatiu pot beneficiar la tasca de classificació d'imatges on el nivell d'anotació humà sigui mínim. Per aquesta tasca introduïm un nou vocabulari utilitzant una representació densa de descriptors color-SIFT, i desprès s'investiga com els diferents paràmetres afecten la classificació final. Tot seguit es proposa un mètode par tal d'incorporar informació espacial amb el sistema híbrid, mostrant que la informació de context es de gran ajuda per la classificació d'imatges. Desprès introduïm un nou descriptor de forma que representa la imatge segons la seva forma local i la seva forma espacial, tot junt amb un kernel que incorpora aquesta informació espacial en forma piramidal. La forma es representada per un vector compacte obtenint un descriptor molt adequat per ésser utilitzat amb algorismes d'aprenentatge amb kernels. Els experiments realitzats postren que aquesta informació de forma te uns resultats semblants (i a vegades millors) als descriptors basats en aparença. També s'investiga com diferents característiques es poden combinar per ésser utilitzades en la classificació d'imatges i es mostra com el descriptor de forma proposat juntament amb un descriptor d'aparença millora substancialment la classificació. Finalment es descriu un algoritme que detecta les regions d'interès automàticament durant l'entrenament i la classificació. Això proporciona un mètode per inhibir el fons de la imatge i afegeix invariança a la posició dels objectes dins les imatges. S'ensenya que la forma i l'aparença sobre aquesta regió d'interès i utilitzant els classificadors random forests millora la classificació i el temps computacional. Es comparen els postres resultats amb resultats de la literatura utilitzant les mateixes bases de dades que els autors Aixa com els mateixos protocols d'aprenentatge i classificació. Es veu com totes les innovacions introduïdes incrementen la classificació final de les imatges.