Segmentación 3D de Cuerpo de Mina para Empresa de Servicios Atacameña
Visión general
De qué trata este proyecto.
Recibes 80 escaneos LiDAR anonimizados (alrededor de 12 millones de puntos por escaneo) con anotación 5-clase. Entrena un modelo de segmentación de nube de puntos (PointNet++ o un Sparse Conv como MinkowskiNet) y evalúa con mIoU (mean Intersection over Union) y IoU por clase. Reporta también error en alturas de berma (métrica que el geomecánico realmente usa). Entrega memoria técnica de 4 páginas con recomendación de uso operativo.
El Briefing
Lo que harás y lo que demostrarás.
Alcanzar mIoU > 0,72 sobre 5 clases con IoU por clase no inferior a 0,55 en ninguna, validado sobre 16 escaneos de holdout.
Earning criteria — what you'll demonstrate
- Aplicar modelos modernos de segmentación 3D
- Diseñar augmentations sobre nubes de puntos (rotación, jitter)
- Evaluar con métricas estándar + métrica operativa
- Comunicar limitaciones del modelo a un equipo técnico no-CV
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero de Visión por Computadora
Segmentación 3D de nube de puntos es trabajo cotidiano del CV engineer en robótica, minería y mapping.
Este proyecto afina
- 3d-segmentation
- point-cloud-processing
- lidar-processing
Ingeniero de Aprendizaje Automático
Entrenar sparse conv nets y evaluar con métricas operativas es el músculo del MLE en visión aplicada.
Este proyecto afina
- deep-learning
- pytorch
- model-evaluation
Científico de IA Aplicada
Defender un modelo con métricas operativas además de estándar es el músculo del applied AI scientist en industria.
Este proyecto afina
- model-evaluation
- point-cloud-processing
- deep-learning