Descripción del proyecto
EN LOS ULTIMOS AÑOS, LOS AVANCES EN EL APRENDIZAJE PROFUNDO HAN DADO COMO RESULTADO UN AUMENTO BASTANTE NOTABLE EN EL RENDIMIENTO DE VARIAS TAREAS DE INTELIGENCIA ARTIFICIAL, COMO EL PROCESAMIENTO DEL LENGUAJE NATURAL O LA VISION POR COMPUTADOR, ADEMAS, EN EL AREA ESPECIFICA DE INTERPRETACION DE IMAGENES, LA INTRODUCCION DE NUEVAS ARQUITECTURAS DE REDES NEURONALES Y PARADIGMAS DE ENTRENAMIENTO SE HA BENEFICIADO ENORMEMENTE DE UN CRECIMIENTO EXPONENCIAL EN EL NUMERO DE MUESTRAS ETIQUETADAS UTILIZADAS PARA EL APRENDIZAJE, EN CONSECUENCIA, MAS DATOS ETIQUETADOS HAN PERMITIDO EL DISEÑO DE MODELOS MAS PROFUNDOS CON MEJORES RENDIMIENTOS,DESAFORTUNADAMENTE, LOS DATOS ETIQUETADOS PUEDEN SER MUY DIFICILES DE OBTENER CUANDO SE AFRONTAN CIERTAS TAREAS, COMO LA DETECCION DE ANOMALIAS, LAS ANOMALIAS, TIPICAMENTE DEFINIDAS COMO OBJETOS O EVENTOS DETECTADOS EN IMAGENES PERO ESTADISTICAMENTE NO RELEVANTES, PUEDEN SER SEMANTICAMENTE MUY IMPORTANTES EN CIERTOS DOMINIOS, COMO LA VIDEOVIGILANCIA, LAS IMAGENES MEDICAS, LAS REDES SOCIALES Y EL CONTROL DE CALIDAD INDUSTRIAL, POR EJEMPLO,TENIENDO EN CUENTA LA FALTA DE DATOS DE ENTRENAMIENTO PARA LA DETECCION DE ANOMALIAS, UNO DE LOS PRINCIPALES OBJETIVOS DE NUESTRO PROYECTO NO SERA SLO CONSTRUIR MODELOS NEURONALES MAS PROFUNDOS QUE PUEDAN MANEJAR SATISFACTORIAMENTE LAS ENORMES VARIABILIDADES VISUALES ENCONTRADAS EN LOS DATOS DE ENTRENAMIENTO; TAMBIEN PLANEAMOS IDENTIFICAR AQUELLAS REGIONES, OBJETOS Y EVENTOS PARTICULARES DE INTERES, QUE NO APARECEN MUCHO DURANTE EL ENTRENAMIENTO, PERO QUE MERECEN NUESTRA ATENCION PARA UN ANALISIS POSTERIOR, DE HECHO, EL PROBLEMA DE TRATAR CON UN NUMERO REDUCIDO DE DATOS ETIQUETADOS (O NINGUNO EN ABSOLUTO) ES DE GRAN INTERES PARA LA COMUNIDAD DE VISION ARTIFICIAL Y APRENDIZAJE AUTOMATICO,POR OTRO LADO, UNA VEZ QUE SE APRENDEN LOS MODELOS DE REDES NEURONALES UTILIZANDO LOS DATOS ETIQUETADOS DISPONIBLES (UN PROCESO QUE PARA ARQUITECTURAS MAS PROFUNDAS PUEDE LLEVAR INCLUSO SEMANAS EN COMPLETARSE), SON BASTANTE DIFICILES DE ACTUALIZAR CON NUEVOS DATOS DE ENTRENAMIENTO, ESPECIALMENTE CUANDO ESAS NUEVAS MUESTRAS CONTRADICEN LO QUE YA SE HA APRENDIDO; EN ESE CASO, LAS REDES DEBEN DECIDIR QUE CONOCIMIENTOS DEBEN OLVIDAR Y CUAL DEBEN REUTILIZAR, POR TANTO, NO ES DE EXTRAÑAR QUE ESTE PARADIGMA DE ENTRENAMIENTO PROFUNDO, DENOMINADO APRENDIZAJE CONTINUO, SE HAYA CONVERTIDO EN UNO DE LOS TEMAS CANDENTES DE LA INVESTIGACION ACTUAL,ESTE PROYECTO, LLAMADO ALETHEIA, SE ENFOCARA EN LIDIAR CON LAS DOS LIMITACIONES DEL APRENDIZAJE PROFUNDO ANTES MENCIONADAS, Y SUS RESULTADOS PUEDEN CONSTITUIR UN AVANCE CONSIDERABLE EN TERMINOS DE APLICABILIDAD, GENERALIZACION Y REDUCCION DEL COSTO COMPUTACIONAL DE LOS PARADIGMAS DE APRENDIZAJE EXISTENTES, EN ESENCIA, ESTE PROYECTO SE CONCENTRARA EN EL DESARROLLO DE NUEVOS ALGORITMOS PARA LA DETECCION DE ANOMALIAS EN IMAGENES CUANDO EL TAMAÑO DE LOS DATOS DE ENTRENAMIENTO SEA PEQUEÑO O INCLUSO INEXISTENTE, NUESTRA METODOLOGIA TAMBIEN DEBERA CONSIDERAR QUE TALES ANOMALIAS PUEDEN CAMBIAR CON EL TIEMPO Y, POR LO TANTO, LOS MODELOS RESULTANTES DEBEN ADAPTARSE EFICIENTEMENTE A DIFERENTES DATOS, AL DECIDIR AUTOMATICAMENTE SI DESCARTAR (OLVIDAR) EL CONOCIMIENTO ANTIGUO O INCORPORAR UNO NUEVO (APRENDER), PARA DEMOSTRAR LA IDONEIDAD DE LOS METODOS PROPUESTOS DURANTE EL PROYECTO, SE ABORDARAN TAREAS ESPECIFICAS DE CLASIFICACION DE IMAGENES, DETECCION DE OBJETOS Y ANALISIS DE MOVIMIENTO EN PROBLEMAS SELECCIONADOS EN LOS QUE LAS ANOMALIAS SON DE IMPORTANCIA CLAVE, APRENDIZAJE PROFUNDO\APRENDIZAJE CONTINUO\VISION POR COMPUTADOR\INTELIGENCIA ARTIFICIAL\ANALISIS DE VIDEOS