La importancia del aprendizaje profundo en la visión artificial se refleja en sus potentes capacidades de aprendizaje y representación de características, su enfoque de aprendizaje de extremo a extremo, la demanda de datos a gran escala y recursos computacionales, y una amplia gama de escenarios de aplicación. La clasificación de imágenes basada en aprendizaje profundo mejora los motores de búsqueda, la moderación de contenido y la categorización de productos en plataformas en línea.
Las técnicas de identificación de objetos y reconocimiento facial basadas en aprendizaje profundo mejoran la precisión y eficiencia en tareas como la detección en tiempo real, la vigilancia de seguridad, el control de acceso y los sistemas automatizados. El aprendizaje profundo y la visión artificial son dos áreas de gran interés en el campo de la inteligencia artificial en la actualidad. El aprendizaje profundo, como método de aprendizaje automático, ha logrado un gran éxito en los campos del procesamiento de imágenes, voz y lenguaje natural gracias a sus potentes capacidades de aprendizaje y representación de características.
La visión artificial, por otro lado, es una rama importante de la inteligencia artificial que busca permitir que las computadoras “lean” imágenes y videos como los humanos y respondan en consecuencia. Lea también: ¿Quién es Demis Hassabis? Cofundador de DeepMind. Importancia del aprendizaje profundo en la versión de computadora. El aprendizaje profundo es un enfoque del aprendizaje automático cuya idea central es aprender representaciones de características de los datos mediante la construcción de modelos de redes neuronales de múltiples niveles.
En comparación con los algoritmos tradicionales de aprendizaje automático, los modelos de aprendizaje profundo tienen una capacidad expresiva más potente y pueden aprender automáticamente representaciones complejas de características a partir de datos sin procesar y utilizar estas representaciones para realizar tareas como clasificación, regresión y agrupamiento.
Los modelos de aprendizaje profundo suelen incluir una capa de entrada, múltiples capas ocultas y una capa de salida, donde los pesos de conexión entre las capas ocultas se aprenden automáticamente a partir de los datos de entrenamiento, y los parámetros del modelo se ajustan continuamente para minimizar la función de pérdida mediante un algoritmo de retropropagación. La visión artificial es una rama del campo de la inteligencia artificial que tiene como objetivo permitir que las computadoras adquieran, comprendan e interpreten información de imágenes y videos.
El objetivo de la visión artificial es permitir que las computadoras “vean” imágenes y videos como lo hacen los humanos, y obtengan información útil de ellos. Las principales tareas de la visión artificial incluyen la clasificación de imágenes, la detección de objetos, la segmentación de imágenes, la estimación de la pose, la estimación de profundidad, etc. El aprendizaje profundo se ha convertido en una de las tecnologías clave que impulsan el rápido desarrollo del campo de la visión artificial.
Los modelos de aprendizaje profundo tienen potentes capacidades de aprendizaje y representación de características y pueden aprender automáticamente representaciones complejas de características a partir de datos sin procesar, especialmente las redes neuronales convolucionales (CNN), que pueden aprender automáticamente representaciones de características adecuadas para la tarea, mejorando así significativamente la precisión y generalización de las tareas de visión artificial.
Los modelos de aprendizaje profundo pueden realizar un aprendizaje de extremo a extremo directamente desde los datos sin procesar, eliminando la necesidad de diseñar manualmente extractores de características y simplificando el proceso de las tareas de visión artificial. Los modelos de aprendizaje profundo generalmente requieren una gran cantidad de datos anotados para el entrenamiento y suelen necesitar recursos computacionales a gran escala para el entrenamiento y la optimización del modelo.
El aprendizaje profundo ha logrado un gran éxito en tareas de visión artificial como la clasificación de imágenes, la detección de objetos y la generación de imágenes, y se ha utilizado ampliamente en el análisis de imágenes médicas, la vigilancia inteligente, la conducción autónoma y la realidad virtual. Lea también: Cómo usar Google DeepMind en diferentes dominios. Escenarios para el aprendizaje profundo en visión artificial. 1. Clasificación de imágenes. El principio de la aplicación de clasificación de imágenes implica tres pasos principales: extracción de características, entrenamiento del modelo e inferencia.
En primer lugar, la extracción de características es el paso clave; a través de modelos como las redes neuronales convolucionales (CNN), la red puede extraer gradualmente características locales y globales de la imagen para lograr una representación abstracta del contenido de la imagen.
En segundo lugar, la fase de entrenamiento del modelo utiliza datos de entrenamiento con etiquetas, mide la diferencia entre la salida del modelo y las etiquetas reales definiendo una función de pérdida, y utiliza algoritmos de retropropagación y optimizadores para ajustar continuamente los parámetros del modelo para que el modelo pueda aprender representaciones de características y leyes de clasificación apropiadas.
Finalmente, en la fase de inferencia, el modelo entrenado se utiliza para clasificar la nueva imagen de contexto documentado públicamente y seleccionar la categoría con la mayor probabilidad como resultado de clasificación de la imagen. Motores de búsqueda como Google y Bing utilizan algoritmos de aprendizaje profundo para proporcionar resultados de búsqueda precisos y relevantes basados en consultas de imágenes. De manera similar, plataformas de revisión de contenido como Facebook y YouTube utilizan aprendizaje profundo para marcar y eliminar automáticamente contenido inapropiado.
Las plataformas de compras en línea suelen utilizar técnicas de clasificación de imágenes para identificar automáticamente imágenes de productos y categorizarlas en categorías de productos apropiadas, mejorando así la precisión de la búsqueda de productos y la experiencia del usuario. Por ejemplo, la función de búsqueda de productos de Amazon utiliza tecnología de clasificación de imágenes para identificar objetos y características en las imágenes de productos y recomendar automáticamente productos relevantes para los usuarios. Aprendizaje profundo en visión artificial 2. Identificación de objetos.
La primera etapa requiere una Red de Propuesta de Regiones (RPN), que proporciona varias regiones candidatas que contienen objetos significativos. El segundo paso es enviar las regiones propuestas a la estructura del clasificador neuronal, generalmente el algoritmo de agrupamiento jerárquico basado en RCNN o la agrupación de regiones de interés (ROI) en Fast RCNN. Estos procedimientos son muy precisos pero muy lentos. Con la necesidad de detección de objetos en tiempo real, han surgido arquitecturas de detección de objetos de un solo paso como YOLO (you only look once) y RetinaNet.
Estos combinan los pasos de identificación y clasificación mediante la regresión de las suposiciones de delimitación. Cada cuadro delimitador está representado por solo unas pocas coordenadas, lo que facilita la combinación de los pasos de detección y clasificación y acelera el procesamiento. 3. Reconocimiento facial. El primer paso en el reconocimiento facial es la detección de rostros, que significa localizar con precisión la posición de un rostro en una imagen a partir de una imagen o video.
Las técnicas de aprendizaje profundo pueden lograr una detección precisa de rostros en imágenes a través de modelos como las redes neuronales convolucionales (CNN). Modelos típicos de detección de rostros como R-CNN, Fast R-CNN, Faster R-CNN y YOLO. Estos modelos logran una localización precisa de la posición del rostro deslizando una ventana de tamaño fijo sobre la imagen y luego utilizando redes neuronales convolucionales para la extracción de características y clasificación. Después de la detección del rostro, el siguiente paso es la extracción de características del rostro detectado.
Los modelos de aprendizaje profundo pre-entrenados (como ResNet y MobileNet) se utilizan generalmente como extractores de características, y la representación abstracta de características del rostro en la imagen se obtiene alimentando la imagen del rostro a estos modelos. Finalmente, se realiza la coincidencia de rostros para reconocerlos comparando las representaciones de características faciales extraídas. Los métodos para la coincidencia de rostros incluyen la distancia euclidiana y la similitud del coseno.
Por lo general, el sistema almacena algunos vectores de características faciales conocidos de antemano y luego compara las características faciales a reconocer con las características conocidas, y determina si la coincidencia es exitosa estableciendo un umbral. En la práctica, la tecnología de reconocimiento facial se utiliza ampliamente en vigilancia de seguridad, sistemas de control de acceso, pago facial, desbloqueo facial y otros campos.