Desarrollo de un framework para la segmentación auto-supervisada de series temporales de imágenes mediante flujo óptico

Resumen

En el campo de la biología vegetal, comprender la dinámica de crecimiento radicular es crucial para diversas aplicaciones, que abarcan desde la mejora genética de cultivos hasta el estudio de respuestas fisiológicas ante diferentes condiciones ambientales. Para analizar dicha dinámica mediante series temporales de imágenes o videos, es indispensable segmentar las raíces para poder finalmente fenotiparlas, extrayendo así parámetros como la longitud, el ángulo de crecimiento, entre otros. Actualmente, los métodos de segmentación más utilizados se basan en redes neuronales convolucionales (CNNs), las cuales requieren un gran volumen de datos etiquetados manualmente para su entrenamiento. El presente trabajo busca abordar este desafío mediante el desarrollo de un método auto-supervisado para la generación de etiquetas, aprovechando la redundancia temporal inherente en videos de raíces en crecimiento. Este enfoque permite reducir significativamente la necesidad de anotaciones manuales, haciendo el proceso de segmetación más eficiente.