Exploración de las capacidades del modelo Segment Anything Model v2 (SAM 2) para la segmentación de fachadas en el entorno urbano de Bogotá a partir de imágenes de Google Street View
| dc.contributor.advisor | Coronado Sánchez, Paulo Cesar | |
| dc.contributor.author | Pantano Mojica, Juan David | |
| dc.contributor.author | Acuña Valderrama, Sergio Stiven | |
| dc.contributor.orcid | Coronado Sánchez, Paulo Cesar [0000-0003-2980-2376] | |
| dc.date.accessioned | 2025-11-19T18:44:24Z | |
| dc.date.available | 2025-11-19T18:44:24Z | |
| dc.date.created | 2025-11-06 | |
| dc.description | El presente proyecto de grado aborda la problemática de la desactualización catastral en Colombia y sus implicaciones en la planeación urbana, la equidad tributaria y la gestión territorial. En este marco, se exploran las capacidades del modelo fundacional Segment Anything Model v2 (SAM-2) para la segmentación automática de fachadas urbanas a partir de imágenes de Google Street View, considerando la fachada como un elemento clave en la estimación del valor comercial de los inmuebles. El estudio adopta un enfoque metodológico basado en dos fases: segmentación binaria (fachada vs. no fachada) y segmentación multiclase (fachada, puertas, ventanas y contadores), evaluadas mediante métricas cuantitativas como IoU, Dice, precisión, exhaustividad y exactitud, complementadas con validación cualitativa de expertos. Los resultados evidencian que SAM-2 presenta un desempeño sobresaliente en la identificación general de fachadas, aunque se observan limitaciones frente a elementos pequeños o de baja representación en la imagen. La investigación concluye que el uso de modelos fundacionales de visión por computador constituye un insumo valioso para fortalecer los procesos de avalúo catastral en el marco del Catastro Multipropósito, al aportar objetividad, escalabilidad y reducción de costos en la recolección de datos. Finalmente, se plantean recomendaciones y líneas de investigación futura orientadas a escalar estas técnicas hacia la clasificación de materiales, el análisis del estado de conservación y la generación de métricas geométricas útiles para la valoración inmobiliaria. | |
| dc.description.abstract | This undergraduate project addresses the problem of cadastral obsolescence in Colombia and its impact on urban planning, tax equity, and territorial management. Within this framework, it explores the capabilities of the foundation model Segment Anything Model v2 (SAM-2) for the automatic segmentation of urban façades using Google Street View imagery, considering façades as key elements in the estimation of real estate market value. The methodological approach included two phases: binary segmentation (façade vs. non-façade) and multiclass segmentation (façade, doors, windows, and meters), assessed through quantitative metrics such as IoU, Dice, precision, recall, and accuracy, complemented with qualitative expert validation. Results show that SAM-2 performs well in general façade identification, although it faces limitations with small or less represented elements in the images. The study concludes that foundation computer vision models provide valuable support for mass appraisal processes within the Multipurpose Cadastre framework, enhancing objectivity, scalability, and cost-efficiency in data collection. Finally, recommendations and future research lines are proposed, aiming to scale these techniques towards material classification, conservation state analysis, and the extraction of geometric metrics relevant for property valuation. | |
| dc.format.mimetype | ||
| dc.identifier.uri | http://hdl.handle.net/11349/99858 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Distrital Francisco José de Caldas | |
| dc.relation.references | Findeter. (2022). Desactualización catastral en Colombia y el Catastro Multipropósito Jefatura de Inteligencia de Negocios - Coordinación de Inteligencia Externa. Tomado de: https://bibliotecadigital.findeter.metabiblioteca. com/bitstreams/d95bc4cc-035d-4ec4-848e-0030ea92a6e0/download#:~: text=Adem%C3%A1s%2C%20seg%C3%BAn%20esta%20informaci%C3%B3n%2C%20en, transici%C3%B3n%20hacia%20un%20catastro%20multiprop%C3%B3sito | |
| dc.relation.references | Infraestructura Colombiana de Datos Espaciales - ICDE. (2022). Catastro Multipropósito y la Infraestructura Colombiana de Datos Espaciales, cómo entender la relación y el beneficio. Tomado de: https://n9.cl/yiahx | |
| dc.relation.references | Avendaño, A. J., Sandoval, J. P., Gil, Ó., Acosta, E., Barón, L., & Lozada, I. (2025, abril 24). La política de catastro multipropósito en Colombia: Transitando de un catastro tradicional a un catastro multipropósito (parte I). Departamento Nacional de Planeación (DNP), Boletín Catastro Multipropósito, (20).. Tomado de: https://n9.cl/bjonr | |
| dc.relation.references | Andrade Pérez, F. W. (2022). Nuevo modelo de gestión catastral en Colombia. Herramienta para generar nuevas oportunidades de crecimiento económico. Revista Estrategia Organizacional. Tomado de: https://dialnet.unirioja.es/descarga/articulo/9143853.pdf | |
| dc.relation.references | Dorado, D. (Comp.). (2022). El catastro multipropósito: Reflexiones alrededor de su potencialidad y aplicación. Escuela Superior de Administración Pública – ESAP. Tomado de:https://n9.cl/jd6qn | |
| dc.relation.references | Eguino, H., & Erba, D. (2020). Catastro, valoración inmobiliaria y tributación municipal: Experiencias para mejorar su articulación y efectividad. Banco Interamericano de Desarrollo. Tomado de: https://n9.cl/9d7b6 | |
| dc.relation.references | Siller Ruiz, E. (2019). Metodología para el análisis y valuación de edificios catalogados [Tesis de maestría, Universidad Autónoma de Nuevo León]. Repositorio UANL. Tomado de: http://eprints.uanl.mx/20317/1/1020156469.pdf | |
| dc.relation.references | Duarte Castro, J. A. (2024). Catastro multipropósito, una política pública que aún no despega en Colombia. Periódico UNAL. Tomado de: https://n9.cl/z77z4 | |
| dc.relation.references | Instituto Geográfico Agustín Codazzi – IGAC. (2024). Elaboración del estudio de zonas homogéneas físicas y geoeconómicas y determinación del valor unitario e integral (PH) por tipo de construcción. Tomado de: https://n9.cl/j9ya0 | |
| dc.relation.references | Smolka, M. O., & Biderman, C. (2009). El catastro territorial en América Latina: Lineamientos para su desarrollo (Documento de trabajo). Lincoln Institute of Land Policy. Tomado de: https://n9.cl/ctrfg4 | |
| dc.relation.references | Asociación Española de Análisis de Valor - AEV. (2019). Estándar sobre valoración de inmuebles mediante modelos automatizados (AVM). Tomado de: https://www.asociacionaev.org/admin159753/uploads/uploads_doc/varios/131318_Estandar_AVM_Formula_COD_corregida_y_apendice_aprobado_AG190702.pdf | |
| dc.relation.references | Pinellas County Property Appraiser’s Office. (2022). Entendiendo la evaluación masiva residencial. Tomado de: https://www.pcpao.gov/sites/default/files/Residential%20Mass%20Appraisal_Spanish_ADA.pdf | |
| dc.relation.references | Soria, P. (2021). La valoración inmobiliaria: ¿arte o ciencia? Observatorio Inmobiliario. Tomado de: https://observatorioinmobiliario.es/opinion/la-valoraci%C3%B3n-inmobiliaria-arte-o-ciencia/ | |
| dc.relation.references | Llombart Bosch, J. (1995). Catastro y equidad fiscal. Dirección General de Catastro. Tomado de: https://www.catastro.hacienda.gob.es/documentos/publicaciones/ct/ct25-26/art1.pdf | |
| dc.relation.references | Guijarro Martínez, F. (2023). Valoración automática de inmuebles residenciales mediante modelos de machine learning. Revista de Estudios Empresariales, (2), 27–39. DOI: https://doi.org/10.17561/ree.n2.2023.7823 | |
| dc.relation.references | Fan, Z., Zhang, F., Loo, B. P. Y., & Ratti, C. (2023). Urban visual intelligence: Uncovering hidden city profiles with street view images. Proceedings of the National Academy of Sciences (PNAS). DOI: https://doi.org/10.1073/pnas.2220417120 | |
| dc.relation.references | Raghu, D., Bucher, M. J. J., & De Wolf, C. (2023). Towards a resource cadastre’ for a circular economy – Urban-scale building material detection using street view imagery and computer vision. Resources, Conservation and Recycling. DOI: https://doi.org/10.1016/j.resconrec.2023.107140 | |
| dc.relation.references | Lyu, F., Ma, X., Song, Y., Zhu, E., & Wang, S. (2023). Large-scale Google Street View images for urban change detection. Institute for Geospatial Understanding through an Integrative Discovery Environment (I-GUIDE). DOI: http://dx.doi.org/10.5703/1288284317674 | |
| dc.relation.references | Al-Habashna, A. (2022). Building type classification from street-view imagery using convolutional neural networks. Statistics Canada. Tomado de: https://www150.statcan.gc.ca/n1/pub/18-001-x/18-001-x2021003-eng.htm | |
| dc.relation.references | Zhang, T., Wang, L., Hu, Y., & Zhang, W. (2024). Measuring urban green space exposure based on street view images and machine learning. International Journal of Environmental Research and Public Health. DOI: https://doi.org/10.3390/f15040655 | |
| dc.relation.references | Anguelov, D., Dulong, C., Filip, D., Frueh, C., Lafon, S., Lyon, R., Ogale, A., Vincent, L., & Weaver, J. (2010). Google Street View: Capturing the world at street level. Google Research. Tomado de: https://research.google.com/pubs/archive/36899.pdf | |
| dc.relation.references | Findeter. (2020). Rezago en la información catastral y su impacto en el desarrollo y ordenamiento del territorio. Tomado de: https://n9.cl/r8vbv | |
| dc.relation.references | Eguino, H., & Erba, D. (2023). Mercado inmobiliario e impuesto predial: Aplicaciones de técnicas de valuación masiva. Banco Interamericano de Desarrollo. DOI: http://dx.doi.org/10.18235/0005488 | |
| dc.relation.references | Departamento Nacional de Planeación - DNP. (2022). Actualización catastral con enfoque multipropósito llega a 44,5 millones de hectáreas. tomado de: https://n9.cl/hxee3 | |
| dc.relation.references | Ávila Robles, N. E. (2024). ABC del catastro multipropósito. Instituto de Estudios del Ministerio Público – IEMP. Tomado: https://iemp.gov.co/wp-content/uploads/2024/09/ABC-16-09-24-3.pdf#:~:text=suelo%2C%20subsuelo%20y%20agua,para%20el%20uso%2C%20aprovechamiento%20y | |
| dc.relation.references | Instituto Geográfico Agustín Codazzi - IGAC. (2020). Valoración masiva a partir de modelos econométricos. Tomado de: https://www.igac.gov.co/sites/default/files/listadomaestro/pc-gct-10_modelos_econometricos_0.pdf#:~:text=3,m%C3%A9todo%20permite%20estimar%20el%20valor | |
| dc.relation.references | Banco Mundial. (2019). El catastro multipropósito será una realidad en Colombia con el apoyo del Banco Mundial. Tomado de: https://n9.cl/0x8m1v | |
| dc.relation.references | Contreras Ortiz, Y., & García, M. E. (2023). Catastro multipropósito: una apuesta para la gestión de la tierra urbana y rural. En Debates de Gobierno Urbano. Instituto de Estudios Urbanos- IDU. Tomado de: https://ieu.unal.edu.co/wp-content/uploads/2024/05/dgu-33-catastro-multipropsito.pdf#:~:text=Indicador%20de%20primer%20nivel,del%20pa%C3%ADs%20con%20catastro%20multiprop%C3%B3sito | |
| dc.relation.references | Forbes. (2024, 20 de junio). Cámara aprobó en primer debate el proyecto de ley que establece topes al impuesto predial. Tomado de: https://n9.cl/ol3w5 | |
| dc.relation.references | Osorio González, W. R., & Rozo Patiño, A. (2017). Predicción del avalúo catastral de los predios urbanos en la ciudad de Pereira mediante aprendizaje de máquina [Trabajo de grado, Universidad Tecnológica de Pereira]. Repositorio Institucional UTP. Tomado de: https://repositorio.utp.edu.co/server/api/core/bitstreams/0937d80b-e504-484f-a42e-e76ad6edd785/content#:~:text=match%20at%20L687%20En%20conclusi%C3%B3n,el%20pron%C3%B3stico%20fuera%20de%20la | |
| dc.relation.references | Kirillov, A., He, K., Girshick, R., Rother, C., & Dollár, P. (2019). Panoptic segmentation. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. DOI: https://doi.org/10.48550/arXiv.1801.00868 | |
| dc.relation.references | Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L., ... & Girshick, R. (2023). Segment anything. In Proceedings of the IEEE/CVF international conference on computer vision (pp. 4015-4026). doi: https://doi.org/10.48550/arXiv.2304.02643 | |
| dc.relation.references | Ravi, N., Gabeur, V., Hu, Y. T., Hu, R., Ryali, C., Ma, T., ... & Feichtenhofer, C. (2024). Sam 2: Segment anything in images and videos. doi: https://doi.org/10.48550/arXiv.2408.00714 | |
| dc.relation.references | Dai, M., Ward, W. O. C., Meyers, G., Densley Tingley, D., & Mayfield, M. (2021). Residential building facade segmentation in the urban environment. Building and Environment, 203, 107921. DOI: https://doi.org/10.1016/j.buildenv.2021.107921 | |
| dc.relation.references | Li, X., Ding, H., Yuan, H., Zhang, W., Pang, J., Cheng, G., Chen, K., Liu, Z., & Loy, C. C. (2023). Transformer-based visual segmentation: A survey. DOI: https://doi.org/10.48550/arXiv.2304.09854 | |
| dc.relation.references | Xie, J., Li, M., Wu, J. et al. Semantic segmentation of building façade materials and colors for urban conservation. npj Herit. Sci. 13, 378 (2025). DOI: https://doi.org/10.1038/s40494-025-01888-4 | |
| dc.relation.references | He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-CNN. Proceedings of the IEEE International Conference on Computer Vision, DOI: https://doi.org/10.48550/arXiv.1703.06870 | |
| dc.relation.references | Gutiérrez, J. D., Delgado, E., Breuer, C., Conejero, J. M., & Rodriguez-Echeverria, R. (2025). Prompt once, segment everything: Leveraging SAM 2 potential for infinite medical image segmentation with a single prompt. Algorithms, 18(4), 227. DOI: https://doi.org/10.3390/a18040227 | |
| dc.relation.references | Wang, Z., Wang, E., & Zhu, Y. (2020). Image segmentation evaluation: A survey of methods. Artificial Intelligence Review. DOI: https://doi.org/10.1007/s10462-020-09830-9 | |
| dc.relation.references | Zhu, H., Meng, F., Cai, J., & Lu, S. (2016). Beyond pixels: A comprehensive survey from bottom-up to semantic image segmentation and cosegmentation. Journal of Visual Communication and Image Representation. DOI: https://doi.org/10.48550/arXiv.1502.00717 | |
| dc.relation.references | Pont-Tuset, J., & Marques, F. (2016). Supervised evaluation of image segmentation and object proposal techniques. IEEE Transactions on Pattern Analysis and Machine Intelligence. DOI: https://doi.org/10.1109/TPAMI.2015.2481406 | |
| dc.relation.references | Roberson, W. (2017). How to find true positive and true negative of a segmented image?. MATLAB Central. Tomado de: https://n9.cl/vapwk | |
| dc.relation.references | GeeksforGeeks. (2025). What are different evaluation metrics used to evaluate image segmentation models?. Computer Vision. Tomado de: https://n9.cl/8b1ch | |
| dc.relation.references | Harouni, M., & Baghmaleki, H. Y. (2018). Color image segmentation metrics. Encyclopedia of Image Processing. DOI: https://doi.org/10.48550/arXiv.2010.09907 | |
| dc.relation.references | Wang, Z., Berman, M., Rannen-Triki, A., Torr, P. H. S., Tuia, D., Tuytelaars, T., Van Gool, L., Yu, J., & Blaschko, M. B. (2023). Revisiting evaluation metrics for semantic segmentation: Optimization and evaluation of fine-grained intersection over union. DOI: https://doi.org/10.48550/arXiv.2310.19252 | |
| dc.relation.references | Rezatofighi, H., Tsoi, N., Gwak, J., Sadeghian, A., Reid, I., & Savarese, S. (2019). Generalized intersection over union. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Tomado de: https://giou.stanford.edu/ | |
| dc.relation.references | Rosebrock, A. (Noviembre 7, 2016). Intersection over Union (IoU) for object detection. PyImageSearch. Tomado de: https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/ | |
| dc.relation.references | Jordan, J. (Mayo 30, 2018). Evaluating image segmentation models. Data Science. Tomado de: https://n9.cl/pdamq | |
| dc.relation.references | Google. (2025). Clasificación: Exactitud, recuperación, precisión y métricas relacionadas. Google Developers. Tomado de: https://n9.cl/tp821 | |
| dc.relation.references | Melki, P., Bombrun, L., Millet, E., Diallo, B., ElChaoui ElGhor, H., & Da Costa, J.-P. (2022). Exploratory Analysis on Pixelwise Image Segmentation Metrics with an Application in Proximal Sensing. Remote Sensing, 14(4), 996. DOI: https://doi.org/10.3390/rs14040996 | |
| dc.relation.references | Taha, A.A., Hanbury, A. Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool. BMC Med Imaging 15, 29 (2015). DOI: https://doi.org/10.1186/s12880-015-0068-x | |
| dc.relation.references | Warfield, S.K., Zou, K.H., & Wells, W.M. (2002). Validation of image segmentation and expert quality with an expectation maximization algorithm. En T.Dohi & R.Kikinis (Eds.), Medical Image Computing and Computer Assisted Intervention – MICCAI 2002 (Lecture Notes in Computer Science, vol.2488, pp.298–306). Springer. DOI: https://doi.org/10.1007/3-540-45786-0_37 | |
| dc.relation.references | Yang, F., Zamzmi, G., Angara, S., Rajaraman, S., Aquilina, A., Xue, Z., Jaeger, S., Papagiannakis, E., & Antani, S. K. (2023). Assessing inter annotator agreement for medical image segmentation. IEEE Access, 11, 21300–21312. DOI: https://doi.org/10.1109/ACCESS.2023.3249759 | |
| dc.relation.references | Jung, H., Park, H., Jung, H.S., & Lee, K. (2024). Enhancing building facade image segmentation via object wise processing and Cascade U Net. Computers, Materials \& Continua, 81(2), 2261–2279. DOI: https://doi.org/10.32604/cmc.2024.057118 | |
| dc.relation.references | Kostelník, M., Beneš, K., & Hradiš, M. (2025). TextBite: A historical Czech document dataset for logical page segmentation. arXiv. DOI: https://doi.org/10.48550/arXiv.2503.16664 | |
| dc.relation.references | Wang, P., Wang, J., Liu, Q., Fang, L., & Xiao, J. (2025). Fusion based damage segmentation for multimodal building façade images from an end to end perspective. Buildings, 15(1), 63. DOI: https://doi.org/10.3390/buildings15010063 | |
| dc.relation.references | M. A. Reza, E. Manley, S. Chen, S. Chaudhary and J. Elafros, "SegBuilder: A Semi-Automatic Annotation Tool for Segmentation," 2025 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), Tucson, AZ, USA, 2025, pp. 8494-8503, doi: https://doi.org/10.1109/WACV61041.2025.00823 | |
| dc.relation.references | Roussel, R. Jacoby, S. Asadipour, A. (2024). Robust Building Identification from Street Views Using Deep Convolutional Neural Networks. DOI: https://doi.org/10.3390/buildings14030578 | |
| dc.relation.references | Bisong, E. (2019). Building Machine Learning and Deep Learning Models on Google Cloud Platform: A Comprehensive Guide for Beginners. doi: https://doi.org/10.1007/978-1-4842-4470-8 | |
| dc.relation.references | Burke, J. (2023). Why and how to use Google Colab. TechTarget. Tomado de: https://n9.cl/y8auq | |
| dc.relation.references | Mayladan, A., Nasrallah, H., Moughnieh, H., Shukor, M., & Ghandour, A. J. (2023). Zero-Shot Refinement of Buildings' Segmentation Models using SAM. doi: https://doi.org/10.48550/arXiv.2310.01845 | |
| dc.relation.references | Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention (pp. 234-241). Cham: Springer international publishing. https://doi.org/10.48550/arXiv.1505.04597 | |
| dc.relation.references | Duran, A., Waibel, C., Piccioni, V., Bickel, B., & Schlueter, A. (2025). A review on artificial intelligence applications for facades. Building and Environment, 269, 112310. doi: https://doi.org/10.1016/j.buildenv.2024.112310 | |
| dc.relation.references | Kanawade, A., Kale, P. D., Mahajan, T., Shete, S., & Jadhav, S. (2024, mayo). Comparative analysis of image annotation tools: LabelImg, VGG annotator, Label Studio, and Roboflow. International Journal of Emerging Technologies and Innovative Research, 11(5), n398–n403. doi: https://www.jetir.org/papers/JETIR2405D59.pdf | |
| dc.relation.references | Sambetbayeva, M., Nekessova, A., Yerimbetova, A., Bayangali, A., Kaldarova, M., Telman, D., & Smailov, N. (2025). A Multi-Level Annotation Model for Fake News Detection: Implementing Kazakh-Russian Corpus via Label Studio. Big Data and Cognitive Computing, 9(8), 215. doi: https://doi.org/10.3390/bdcc9080215 | |
| dc.relation.references | Tarkhan, N., Klimenka, M., Fang, K. et al. Mapping facade materials utilizing zero-shot segmentation for applications in urban microclimate research. Sci Rep 15, 5492 (2025). doi: https://doi.org/10.1038/s41598-025-86307-1 | |
| dc.relation.references | Tuteja, P., Pathak, S., & Singh, R. (2024). Advancing image segmentation with SAM: Segment Anything Model. Esri. Tomado de: https://n9.cl/aqatn | |
| dc.relation.references | Ley 1673 de 2013. (2013, julio 19). Diario Oficial No. 48.856. Tomado de: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=53881 | |
| dc.relation.references | Decreto 1420 de 1998. (1998, julio 21). Diario Oficial No. 43.349. Tomado de: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=1508 | |
| dc.relation.references | Resolución 620 de 2008. (2008, septiembre 23). Diario Oficial No. 47.124. Tomado de: https://www.alcaldiabogota.gov.co/sisjur/normas/Norma1.jsp?i=36158 | |
| dc.relation.references | Instituto Geográfico Agustín Codazzi (IGAC). (2024, julio 29). Instructivo: Aseguramiento de calidad de los productos del componente físico y jurídico (Código IN-GCT-PC01-04, Versión 2). Tomado de: https://n9.cl/0o4elm | |
| dc.relation.references | Dhull, N. (2024, septiembre 2). Analyzing building features with deep learning datasets. AZO Build. Tomado de: https://www.azobuild.com/news.aspx?newsID=23597#:~:text=Moreover%2C%20no%20raw%20and%20labeled,typologies%2C%20and%20external%20cladding%20materials | |
| dc.rights.acceso | Abierto (Texto Completo) | |
| dc.rights.accessrights | OpenAccess | |
| dc.subject | catastro multipropósito | |
| dc.subject | segmentación de imágenes | |
| dc.subject | SAM-2 | |
| dc.subject | Google Street View | |
| dc.subject | avalúo catastral | |
| dc.subject | visión por computador | |
| dc.subject.keyword | multipurpose cadastre | |
| dc.subject.keyword | image segmentation | |
| dc.subject.keyword | SAM-2 | |
| dc.subject.keyword | Google Street View | |
| dc.subject.keyword | property appraisal | |
| dc.subject.keyword | computer vision | |
| dc.subject.lemb | Ingeniería Catastral y Geodesia -- Tesis y disertaciones académicas | |
| dc.title | Exploración de las capacidades del modelo Segment Anything Model v2 (SAM 2) para la segmentación de fachadas en el entorno urbano de Bogotá a partir de imágenes de Google Street View | |
| dc.title.titleenglish | Exploration of the Capabilities of the Segment Anything Model v2 (SAM 2) for Facade Segmentation in the Urban Environment of Bogotá Using Google Street View Images | |
| dc.type | bachelorThesis | |
| dc.type.degree | Investigación-Innovación | |
| dc.type.driver | info:eu-repo/semantics/bachelorThesis |
Archivos
Bloque de licencias
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- license.txt
- Tamaño:
- 7 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: