Join the Meetup to hear talks in Spanish from experts on cutting-edge topics across AI, ML, and computer vision.

La inteligencia artificial (IA) se ha consolidado como una herramienta clave para afrontar algunos de los mayores desafíos en la agricultura actual, desde la optimización del uso de insumos hasta el monitoreo preciso de cultivos y la predicción de rendimientos. En este seminario se presentarán varios casos prácticos reales en los que la IA ha demostrado su potencial para mejorar la eficiencia, sostenibilidad y rentabilidad en distintas etapas de la producción agrícola. Sin embargo, a pesar de sus beneficios, la adopción de estas tecnologías en el sector sigue siendo limitada. Factores como la falta de relevo generacional, el envejecimiento de la población agraria, la baja digitalización en el medio rural y la percepción de complejidad o desconfianza hacia las herramientas digitales suponen importantes barreras. Esta charla, se aborda éxitos y obstáculos actuales, destacando la importancia de diseñar soluciones accesibles, acompañadas de formación y apoyo técnico, que se ajusten a la realidad de un sector tradicional en proceso de transformación.

¿Te imaginas poder buscar un objeto dentro de una imagen de la misma forma que lo harías en Google Images o Bing? En esta charla veremos paso a paso cómo diseñar e implementar un sistema de búsqueda visual desde cero utilizando redes neuronales y Python.

¿Tus VLMs realmente ven el peligro? Con FiftyOne te muestro cómo entender y evaluar modelos visión-lenguaje para conducción autónoma, haciendo visible el riesgo y el sesgo en segundos. Compararemos modelos en las mismas escenas, revelaremos fallos y edge cases, y verás un dashboard simple para decidir qué datos curar y qué ajustar. Te llevas un método claro, práctico y replicable para subir el listón de seguridad.

This talk explores the transformative potential of modulo imaging for achieving unlimited dynamic range capture, fundamentally reimagining how we approach high dynamic range photography beyond traditional sensor limitations. By introducing cyclical intensity wrapping through the modulo operator, we unlock new opportunities for computational imaging that transcends conventional well-capacity constraints.

The modulo imaging paradigm presents fascinating new challenges in distinguishing authentic scene structure from artificial wrap discontinuities, a problem that pushes the boundaries of classical phase unwrapping into unexplored territory. Deep learning has emerged as a natural solution, providing advanced pattern-recognition capabilities to resolve ambiguities that traditional optimization methods cannot effectively address.

We present complementary approaches leveraging unrolled optimization networks and feature lifting strategies that teach neural architectures to handle wrapped measurements effectiveness. The introduction of scaling equivariance principles enables robust adaptation across varying exposure conditions, while physics-informed input representations guide networks toward meaningful reconstructions.

This work addresses fundamental questions about unlimited sampling theory in practical imaging systems, revealing how modulo measurements can codify arbitrarily bright scenes within finite bit depths. The implications extend beyond photography into autonomous systems, scientific imaging, and any application demanding extreme dynamic range. These advances establish computational modulo imaging as a viable pathway toward truly unlimited dynamic range capture, opening new frontiers in computational photography.