Enseñar a las computadoras a comprender lo que ven es el tema que mantiene despiertos a todos los ingenieros de visión artificial. Si bien se han logrado muchos avances en el campo del reconocimiento de imágenes en los últimos años, aún faltan muchas piezas de rompecabezas que deberían encajar para obtener una imagen completa y clara de cómo enseñar a las máquinas a darle sentido a lo que ven.
Durante mucho tiempo, la clasificación de imágenes no se consideró un problema estadístico hasta que llegó una solución parcial del campo del aprendizaje automático bajo el nombre de redes neuronales, en particular, redes neuronales convolucionales (CNN). CNN es un tipo especial de redes neuronales artificiales que ofrecen resultados similares a los humanos en tareas de clasificación de imágenes. Este artículo explica cómo el cerebro humano reconstruye el mundo visual, cómo las máquinas aprenden a comprender lo visual y cuáles son las aplicaciones de la clasificación de imágenes.
Reconocimiento de imágenes: ¿Qué tan difícil puede ser?
El reconocimiento de imágenes es el proceso de identificar lo que representa una imagen. Para los humanos interpretar el mundo visual es fácil. Cuando los humanos ven algo, existe una comprensión inherente de lo que es. En la mayoría de los casos, no es necesario un estudio consciente del objeto para darle sentido. Sin embargo, para las computadoras es una tarea desafiante porque sólo pueden manipular dígitos. Por ejemplo, un punto cuadrado de 3x3 en la frente de Albert Einstein, para una computadora, es una matriz tridimensional donde cada dimensión representa uno de los colores primarios: rojo, verde y azul. Aunque los humanos pueden interpretar imágenes en una fracción de segundo, se produce un proceso cognitivo complejo en la corteza visual del cerebro. La corteza visual está dividida en capas (V1-V8) y procesa la información visual proveniente de los ojos. Cuando un estímulo está presente en el campo receptivo, su representación llega primero a la capa V1, o en otras palabras, las neuronas en el área de la capa V1 se activan primero. Esta capa es un mapa que preserva la información espacial del estímulo en el mundo y también detecta sus bordes. La capa V1 está fuertemente conectada con la capa V2, que a su vez participa en la discriminación de formas, orientaciones, colores y otras características de bajo nivel. Las características visuales de nivel superior implican la comprensión por parte del cerebro del contexto y la relación de las imágenes y sólo se perciben en las capas superiores, como V6-V8. Digamos que el estímulo percibido es tu papá. La detección de objetos en sí se realiza en la capa V1. Sin embargo, la información semántica sólo se percibe en las capas V6-V8. Es importante destacar que de lo que es responsable cada capa, casi siempre está relacionado con la controversia ya que la investigación trae cada vez más descubrimientos a lo largo del tiempo. Sin embargo, es un hecho que cuanto más alta es la capa, más abstracta se vuelve la presentación. Además de esta arquitectura de alto nivel, a nivel micro, se ha aplicado la mecánica de la neurona para simular los procesos en las capas de la corteza visual. En particular, cada neurona recibe información de las dendritas y, en función de la no linealidad compleja que se aplica a su entrada, se activará si la entrada no lineal sumada supera algún umbral. Aunque esta explicación es muy simplificada, bastó con una investigación para inventar la primera Red Neuronal Artificial. Inspirados por el sistema visual humano, los ingenieros intentaron replicar este proceso con máquinas. Para que las computadoras pudieran comprender objetos, fue necesario crear un sistema que extrajera características de alto nivel de los estímulos visuales “visuales” utilizando únicamente manipulaciones numéricas. Ahí es cuando entran en juego las redes neuronales convolucionales. Cuando se alimenta con suficiente cantidad de datos limpios y bien definidos, CNN permite extraer características comunes de alto nivel para cada categoría que abarcan los datos.
