Descripción del proyecto
ACTUALMENTE, EL APRENDIZAJE PROFUNDO SE HA CONSOLIDADO COMO EL METODO DE APRENDIZAJE AUTOMATICO LIDER PARA LA VISION POR COMPUTADOR, SU EXITO SE HA DEMOSTRADO INICIALMENTE EN TAREAS DE CLASIFICACION DE IMAGENES, PERO POCO DESPUES SE HA EXTENDIDO HACIA OTROS CAMPOS Y ACTUALMENTE SE APLICA EN CASI TODAS LAS AREAS DE LA VISION POR COMPUTADORA, INCLUIDA LA DETECCION DE OBJETOS SOBRESALIENTES, SEGUIMIENTO VISUAL, COMPRENSION DE ESCENAS, SUBTITULOS DE IMAGENES (IMAGE CAPTIONING) Y GENERACION DE IMAGENES, EL EXITO DEL APRENDIZAJE PROFUNDO HA SIDO POSIBLE HOY EN DIA DEBIDO A LA DISPONIBILIDAD DE GRANDES BASES DE DATOS Y LA EXISTENCIA DE POTENTES GPUS REQUERIDA PARA PROCESAR ESTAS GRANDES CANTIDADES DE DATOS,SIN EMBARGO, NO SIEMPRE LOS DATOS DE ENTRENAMIENTO SON ABUNDANTES, EXISTEN APLICACIONES DEL MUNDO REAL PARA LAS CUALES LOS DATOS DE ENTRENAMIENTO SON ESCASOS DEBIDO A LA DIFICULTAD PARA OBTENERLOS O POR SU ALTO PRECIO A LA HORA DE OBTENERLOS, EN ESTOS CASOS, TENEMOS QUE IMAGINAR ESTRATEGIAS DE ENTRENAMIENTO QUE DEBERIAN ADAPTARSE PARA LIDIAR CON POCOS DATOS, PARA SUPERAR ESTA LIMITACION, EL APRENDIZAJE DE TRANSFERENCIA (TRANSFER LEARNING) APARECIO COMO UNA SOLUCION PARA REUTILIZAR EL CONOCIMIENTO APRENDIDO ANTERIORMENTE, EL APRENDIZAJE DE TRANSFERENCIA ES UN CONCEPTO AMPLIO, PERO SE PUEDE RESUMIR DE LA SIGUIENTE MANERA: ENTRENAR UNA RED EN UNA TAREA INICIAL PARA LA CUAL ABUNDAN LOS DATOS DE CAPACITACION Y ADAPTARLA A OTRA TAREA QUE DISPONE DE DATOS LIMITADOS, EL ESTUDIO DEL APRENDIZAJE POR TRANSFERENCIA ESTA MOTIVADO POR EL HECHO DE QUE LAS PERSONAS PUEDEN APLICAR DE MANERA INTELIGENTE LOS CONOCIMIENTOS APRENDIDOS PREVIAMENTE PARA RESOLVER NUEVOS PROBLEMAS MAS RAPIDO Y CON UN MEJOR RENDIMIENTO,UNO DE LOS GRANDES BENEFICIOS DEL APRENDIZAJE DE TRANSFERENCIA ES QUE TAMBIEN PRESENTA LA CAPACIDAD DE GENERALIZACION, LO QUE PERMITE QUE LAS DISTRIBUCIONES, TAREAS Y DOMINIOS DE LOS CONJUNTOS DE ENTRENAMIENTO Y PRUEBA SEAN DIFERENTES, ACTUALMENTE, SE ESTUDIAN VARIAS ESTRATEGIAS DE APRENDIZAJE DE TRANSFERENCIA EN EL CONTEXTO DEL APRENDIZAJE PROFUNDO: AJUSTE FINO (FINE-TUNING), DESTILACION DE CONOCIMIENTO, DOMINIO CRUZADO (POR EJEMPLO, DESDE RGB A MAPAS DE PROFUNDIDAD) Y APRENDIZAJE DE CERO O POCOS DATOS,LA TRANSFERENCIA DEL CONOCIMIENTO ES UN ASPECTO CRUCIAL PARA LOS SISTEMAS INTELIGENTES EN EL FUTURO CERCANO, ESTOS SISTEMAS A MENUDO OPERARAN EN ESCENARIOS EN LOS QUE EL CONOCIMIENTO NO SE PUEDE TRANSFERIR SIMPLEMENTE MEDIANTE EL AJUSTE FINO DE LOS PARAMETROS ('FINE-TUNING') Y POR ELLO SE DEBERAN DESARROLLAR DISTINTAS ESTRATEGIAS DE APRENDIZAJE POR TRANSFERENCIA, POR LO TANTO, EN ESTE PROYECTO NUESTRO OBJETIVO ES ESTUDIAR VARIAS ESTRATEGIAS DE APRENDIZAJE POR TRANSFERENCIA: TRANSFERENCIA ENTRE MODELOS GENERATIVOS, TRANSFERENCIA DE MULTIPLES DOMINIOS DE ORIGEN A UN SOLO DOMINIO OBJETIVO Y TRANSFERENCIA EN UN ENTORNO DE APRENDIZAJE CONTINUO, ESTAS ESTRATEGIAS DE TRANSFERENCIA DEL CONOCIMIENTO SOLO RECIENTEMENTE HAN COMENZADO A CAPTAR LA ATENCION, Y GRAN PARTE DE LA TEORIA AUN ESTA POR DESARROLLAR,DADO QUE EL APRENDIZAJE POR TRANSFERENCIA ES UNO DE LOS BENEFICIOS CLAVE DE LA TEORIA DEL APRENDIZAJE PROFUNDO, ESTE PROYECTO TIENE UN IMPACTO POTENCIAL EN MUCHAS AREAS, ESTOS INCLUYEN DOMINIOS DE VISION POR COMPUTADORA TALES COMO GENERACION DE IMAGENES, RECONOCIMIENTO DE OBJETOS, CLASIFICACION DE IMAGENES, EDICION DE IMAGENES Y DOMINIOS DE APLICACIONES COMO ROBOTICA, CONDUCCION AUTONOMA Y LA INDUSTRIA CREATIVA, VISION POR COMPUTADOR\APRENDIZAJE AUTOMATICO\APRENDIZAJE PROFUNDO\APREDIZAJE CONTINUO