Este documento presenta una revisión literaria, de los dispositivos de ayuda en la movilidad para personas con discapacidad visual, con el objetivo de obtener una visión clara, sobre el progreso de la tecnología y técnicas empleadas para asistir a esta población. De esta forma, se pretende obtener pautas básicas para analizar los equipos más relevantes, para ayudar a las personas con visión reducida y destacar las mejoras que se podrían implementar. Los dispositivos más comunes, corresponden a la integración de diferentes sensores y componentes electrónicos en bastones, para aumentar su capacidad de detección de obstáculos. Además, se han desarrollado dispositivos con cámaras, que incluyen algoritmos de visión por computador y técnicas de Inteligencia Artificial, para mejorar los resultados y eficiencia de los equipos. Finalmente, se presentan las características fundamentales para los sistemas de asistencia, encontrando que aún no se cuenta con dispositivos que satisfagan las necesidades de los usuarios.
Para evaluar la estrategia semilleros de investigación transversales en la Institución Universitaria Digital de Antioquia han sido planeadas estrategias fuera de aula que se articulan con el currículo y con la didáctica para legitimar los saberes aprendidos como resultado de la sistematización de experiencias mediante los procesos investigativos. Metodológicamente se empleó un enfoque mixto longitudinal, los datos fueron recopilados mediante un cuestionario en escala Likert en tres momentos diferentes durante la ejecución de la estrategia. dentro del desarrollo de los semilleros transversales de investigación durante el periodo comprendido entre 2020 y 2021. El análisis estadístico permitió determinar el nivel de asociación de las variables clasificadas para los siguientes factores diferenciados: competencias digitales, habilidades blandas y habilidades para la investigación. Los resultados indican que la estrategia de semilleros de investigación contribuyen a mejorar las Se reportaron resultados que mejoraron en gran medida las habilidades para la comunicación, organización de su tiempo, generación de preguntas y finalmente para defender sus ideas, además, mejoraron la capacidad de adaptación de los semilleristas en modalidad virtual. Finalmente se reporta que para las diferentes habilidades evaluadas se presenta una tendencia incremental promedio así: competencias digitales 9.95%, habilidades blandas 3.38% y habilidades para la investigación 3.34%. Se puede concluir que los semilleros de investigación virtual como estrategia extracurricular dentro de los procesos de investigación formativa debe tener en cuenta el potencial humano, los recursos didácticos y el conocimiento disciplinar e interdisciplinar, todo ello articulado con el modelo pedagógico de la Institución contribuyendo a mejorar competencias para el aprendizaje a lo largo de la vida, y la resolución de problemas que finalmente fortalece los vínculos de la institución con los territorios principio fundamental para la Institución.
La Universidad está en permanentes procesos de autoevaluación con la pretensión de obtener insumos para el mejoramiento del currículo y es por ello que surge el interés de sistematizar la experiencia que se deriva de la implementación de la estrategia de los semilleros de investigación. De allí que la presente investigación plantea como objetivo de investigación la generación de un modelo psicopedagógico que sea útil para la implementación de semilleros de investigación en instituciones de educación superior virtual mediante el cual se integre La Universidad con los territorios. El instrumento de medición fue basado en un cuestionario en escala Likert en tres momentos diferentes dentro del desarrollo de los semilleros transversales de investigación en el año 2020. El análisis estadístico determinó el nivel de asociación de las variables clasificadas en los tres factores diferenciados: competencias digitales, habilidades blandas y habilidades para la investigación. Dentro de los resultados más relevantes se encontró que la autorregulación del pensamiento fue correlacionada significativamente demostrando que en los semillerista que participaron en los dos periodos de estudio se mejoraron en gran medida las habilidades para, la comunicación, organización de su tiempo, generación de preguntas y finalmente para defender sus ideas. Los estudiantes presentaron un nivel alto de correlación entre las dos primeras aplicaciones del instrumento con relación a el trabajo en equipo, la socialización, el autoaprendizaje, la capacidad de adaptación, la integridad y el respeto por sí mismo, en este sentido, se presenta un incremento del nivel de correlación hasta valores medio y alto, de las habilidades para la investigación con respecto a la capacidad de adaptación de los semilleristas.
<p>Supervised learning requires labeled data to train models and then make predictions from new input data. Deep Learning (DL) methods require immense amounts of training data and processing power to provide reasonable results. In computer vision applications, and more specifically in despeckling SAR (Synthetic Aperture Radar) images, due to the speckle content, there is no ground truth available. To test the performances of despeckling filters, the common approach is tocorrupt synthetic images with a suitable speckle model and then, after filtering, well-known metrics are obtained. Then, filters are tested on actual SAR data, and specific metrics for SAR are evaluated. However, even the most elaborated speckle models are far from accounting for the complex mechanisms related to SAR images. In this paper, a methodology to design a realistic dataset to overcome these limitations is proposed. Actual SAR images of the same scene but acquired with the same sensor on different dates are downloaded from one of the available satellite platforms. Images are properly co-registered and averaged to get a ground truth-like reference image to objectively evaluate the performance of a despeckling method. To show the benefits of the proposed methodology, an on-the-shelf deep learning approach is used to filter the data, and compared with the standard approach using synthetic corrupted images with a speckle model. The final validation on actual SAR data not included in the training phase validates the proposed dataset. From the results shown, it is recommended to test filters on the proposed more realistic dataset and abandon the usual approach.</p>
<p>Supervised learning requires labeled data to train models and then make predictions from new input data. Deep Learning (DL) methods require immense amounts of training data and processing power to provide reasonable results. In computer vision applications, and more specifically in despeckling SAR (Synthetic Aperture Radar) images, due to the speckle content, there is no ground truth available. To test the performances of despeckling filters, the common approach is tocorrupt synthetic images with a suitable speckle model and then, after filtering, well-known metrics are obtained. Then, filters are tested on actual SAR data, and specific metrics for SAR are evaluated. However, even the most elaborated speckle models are far from accounting for the complex mechanisms related to SAR images. In this paper, a methodology to design a realistic dataset to overcome these limitations is proposed. Actual SAR images of the same scene but acquired with the same sensor on different dates are downloaded from one of the available satellite platforms. Images are properly co-registered and averaged to get a ground truth-like reference image to objectively evaluate the performance of a despeckling method. To show the benefits of the proposed methodology, an on-the-shelf deep learning approach is used to filter the data, and compared with the standard approach using synthetic corrupted images with a speckle model. The final validation on actual SAR data not included in the training phase validates the proposed dataset. From the results shown, it is recommended to test filters on the proposed more realistic dataset and abandon the usual approach.</p>
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.