• Español
Spanish Afrikaans English

Investigadora del CIDIS dicta Charla Fiec sobre el uso de Cyclegan y Metaaprendizaje

Fecha: 
Viernes, 12 Julio, 2019
Lugar: 
Aula 15A05 , Fiec

El 12 de julio del presente año, la MSc. Patricia Suárez dictó una clase organizada por Charlas Fiec sobre los siguientes temas:

  •  Uso de redes cíclicas generativas adversariales (cyclegan) para procesos de generación de imágenes sintéticas
  •  Uso de redes convolucionales que aprenden a aprender (metaaprendizaje)

Respecto a las redes generativas adversariales cíclicas, estas se especializan en realizar la transferencia de la información de una imagen a otra, es decir, la red aprende la asignación o mapeo entre una imagen de entrada y una imagen de salida usando un conjunto de entrenamiento de pares de imágenes no alineados, para el caso de la generación de imágenes sintéticas del espectro infrarojo cercano, se ha propuesto un enfoque novedoso para estimar el Índice de Vegetación de Diferencia Normalizada (NDVI) a partir de una imagen RGB usando una red cíclica adversarial.

Con esas imágenes sintéticas se obtienen los valores del índice NDVI aplicando la respectiva fórmula que utiliza también el canal rojo de las imágenes de la banda espectral visible, con lo cual se hace posible obtener los índices de vegetación sin necesidad de tener sensores sensibles al espectro infrarojo cercano. Este trabajo ha sido publicado en el artículo “Image Vegetation Index through a Cycle Generative Adversarial Network”, presentado en la conferencia CVPR 2019.

Por otra parte,  un buen modelo de aprendizaje automático a menudo requiere capacitación con un gran número de muestras. Los humanos, en contraste, aprenden nuevos conceptos y habilidades mucho más rápido y más eficientemente. ¿Es posible diseñar un modelo de aprendizaje automático con propiedades similares: aprender nuevos conceptos y habilidades rápidamente con algunos ejemplos de capacitación? Eso es esencialmente lo que el meta-aprendizaje pretende resolver. Un buen modelo de meta-aprendizaje es capaz de adaptarse bien o generalizar a nuevas tareas y nuevos entornos que nunca se han encontrado durante el tiempo de entrenamiento.

El proceso de adaptación, esencialmente una mini sesión de aprendizaje, ocurre durante la prueba pero con una exposición limitada a las nuevas configuraciones de tareas. Eventualmente, el modelo adaptado puede completar nuevas tareas. Es por esto que el meta-aprendizaje también se conoce como aprender a aprender.

 

 

Share this:

LinkedIn Twitter Facebook Google