Las mejores tecnologías de aprendizaje profundo y sus aplicaciones comerciales
El campo de la visión por computadora ha experimentado un impulso significativo desde que la IA introdujo las redes neuronales profundas y, en particular, las redes neuronales convolucionales (CNN). Aunque las CNN se inventaron hace un tiempo (en 1968), todo su potencial permaneció oculto hasta hace poco. El desarrollo de computadoras computacionalmente potentes permitió experimentar con CNN y aprovechar su valor real. En 2012, Alex Krizhevsky diseñó una CNN llamada AlexNet que se entrenó utilizando un conjunto de datos de imágenes a gran escala (ImageNet) y se ejecutó mediante GPU. Los resultados fueron tan prometedores que desde entonces el campo de la visión por computadora ha sido asumido por la investigación de redes neuronales profundas. De hecho, cada año se introducen muchas arquitecturas nuevas de CNN y el aprendizaje profundo se ha convertido en una palabra de moda. Dado que crear una arquitectura CNN que funcione bien no es un problema trivial sino que requiere conocimientos científicos adecuados, los avances observados durante los últimos años demuestran la importancia de esta tecnología. En particular, problemas de visión artificial como el etiquetado de imágenes, la detección de objetos y la generación de imágenes se han mejorado enormemente gracias a las redes neuronales convolucionales. En primer lugar, este nuevo enfoque eliminó la necesidad de diseñar características que se utilizaban anteriormente para resolver esos problemas. En segundo lugar, los resultados obtenidos utilizando redes neuronales profundas superaron las técnicas tradicionales. Entonces, echemos un vistazo a las tecnologías más comunes impulsadas por CNN.
Etiquetado de imágenes
Búsqueda inversa de imágenes
Subtítulos de imágenes
Detección de objetos
Segmentación de imágenes / Segmentación semántica
Eliminación de ruido de imagen
Generación de imágenes
1. Etiquetado de imágenes
Qué es
El etiquetado de imágenes es la tecnología basada en CNN que permite a una computadora asignar una categoría a una imagen.
Cuándo usarlo
El etiquetado de imágenes se puede utilizar con conjuntos de datos no estructurados para estructurarlos realmente.
Proporcionamos datos de entrada en forma de lotes de imágenes en la primera capa convolucional.
Una capa convolucional realiza una correlación cruzada para encontrar neuronas (características) que son más importantes para identificar la categoría a la que pertenece una imagen.
Una capa de agrupación (submuestreo) reduce la cantidad de neuronas producidas en la capa convolucional anterior, para evitar memorización y sesgos. Esto ayuda a que un modelo sea más robusto, de modo que funcione con precisión con datos invisibles.
Dependiendo de la arquitectura de las CNN, es posible que necesitemos repetir dos procesos anteriores varias veces.
Finalmente, tenemos una capa completamente conectada. Conecta cada neurona con todas las demás neuronas para producir predicciones.
El resultado entonces es la probabilidad de que una imagen pertenezca a cada categoría de nuestro conjunto de datos.
Casos de uso empresarial
Las empresas que buscan organizar sus conjuntos de datos masivos en categorías significativas para ellas pueden aprovechar esta tecnología. Sus aplicaciones son amplias, desde la identificación de defectos en una línea de productos hasta el diagnóstico de enfermedades mediante exploraciones de resonancia magnética. Otro ejemplo es aplicar el etiquetado de imágenes para mejorar el descubrimiento de productos. Plataformas de gestión de contenidos, como Creador de procesos IDP, aproveche la visión artificial para agilizar el etiquetado de grandes conjuntos de datos visuales para empresas minoristas.
2. Búsqueda inversa de imágenes
Qué es
La búsqueda inversa de imágenes es un método para extraer representaciones de imágenes utilizando CNN y compararlas entre sí para encontrar imágenes conceptualmente similares.
Cuándo usarlo
La búsqueda inversa de imágenes se utiliza para encontrar imágenes similares en un espacio de datos no estructurado.
Cómo funciona
La búsqueda inversa de imágenes extrae las representaciones de imágenes de la última capa convolucional en Neural Net. Luego, estas representaciones se comparan entre sí utilizando algunas métricas de distancia.
Casos de uso empresarial
La búsqueda inversa de imágenes es la forma más sencilla de agrupar conjuntos de datos de imágenes rápidas en categorías conceptualmente “correctas”. Además, esto puede considerarse como una forma de agrupar las imágenes.
3. Subtítulos de imágenes
Qué es
Los subtítulos de imágenes permiten que las computadoras generen descripciones de imágenes.
Cuándo usarlo
Los subtítulos de imágenes se pueden utilizar cuando estamos interesados en representar el contenido de la imagen en palabras.
Cómo funciona
Los subtítulos de imágenes se pueden concebir en el marco codificador-decodificador. En primer lugar, las incrustaciones de imágenes se extraen utilizando CNN previamente entrenadas (paso de codificación) y, además, las incrustaciones se utilizan como entrada para redes de memoria a largo plazo (LSTM, un tipo de red neuronal que puede procesar secuencias de datos y, por lo tanto, se utiliza para conjuntos de datos de texto) que aprenden a decodificar las incrustaciones en texto.
Se inserta una imagen en las CNN para extraer mapas de características que son representaciones abstractas de la imagen.
Luego, LSTM utiliza estos mapas de características para producir la distribución de palabras dada la entrada. LSTM toma una muestra de la siguiente palabra de la distribución y el proceso se repite hasta que el título esté listo.
Es importante destacar en este punto que estos diferentes mapas de características nos proporcionan los puntos de interés en la imagen (es decir, la atención).
Casos de uso empresarial
Los subtítulos de imágenes se pueden utilizar en sistemas de asistencia ciega, sistemas de generación de metadatos de imágenes y robótica.
4. Detección de objetos
Qué es
La detección de objetos es la tecnología que identifica no sólo qué objeto se representa en una imagen/vídeo sino también dónde está su posición.
Cuándo usarlo
La detección de objetos se utiliza en los casos en que se solicita la posición de un objeto/sujeto en particular. Es una tecnología de seguimiento.
Cómo funciona
Las CNN son la tecnología principal aquí para extraer las regiones de interés que luego se clasifican y se derivan los cuadros delimitadores.
Feature Pyramid Net (FPN) utiliza la jerarquía piramidal multiescala inherente de las CNN profundas para crear pirámides de características que ayudan a detectar objetos a diferentes escalas
Adjuntas a FPN hay dos subredes, la superior se usa para predecir clases y la inferior se usa para la regresión del cuadro delimitador
Es importante decir aquí que este enfoque es sólo uno de los muchos que existen para la detección de objetos.
Casos de uso empresarial
La detección facial es uno de los casos de uso más comunes de la tecnología de detección de objetos. Se puede utilizar como medida de seguridad para permitir que solo ciertas personas ingresen al edificio de oficinas o para reconocer y etiquetar a sus amigos en Facebook. El año pasado Instagram Se agregó una nueva característica basada en esta tecnología diseñada para facilitar que las personas con discapacidad visual utilicen su plataforma. Esta función utiliza tecnología de reconocimiento de objetos para generar una descripción de fotografías. Mientras se desplaza por la aplicación, todos los que usan lectores de pantalla pueden escuchar la lista de elementos que contiene la foto.
5. Segmentación de imágenes / Segmentación semántica
Qué es
La segmentación de imágenes es una tecnología que puede segmentar una imagen en partes conceptuales pero, a diferencia de la detección de objetos, aquí a cada píxel de una imagen se le asigna una categoría.
Cuándo usarlo
La segmentación de imágenes se puede utilizar para localizar objetos y sus límites.
Cómo funciona
Normalmente, los algoritmos empleados en tales tareas se basan en métodos de convolución-deconvolución. Por ejemplo, un algoritmo utiliza CNN para crear mapas de características, pero al mismo tiempo se introducen capas de submuestreo para mantener todo el proceso computacionalmente factible. De hecho, la carga computacional radica en que la decisión de clasificación se toma por píxel. Por esta razón, al reducir las neuronas se puede mejorar la eficiencia computacional. Sin embargo, el siguiente paso es aplicar la convolución de transposición, durante la cual se entrena la red para reconstruir las neuronas previamente reducidas.
Casos de uso empresarial
Esta tecnología se utiliza principalmente en imágenes médicas, geodetección y agricultura de precisión.
6. Eliminación de ruido de imagen
Qué es
Image Denoising es la tecnología que utiliza métodos de aprendizaje autosupervisados para generar imágenes sin ruido ni desenfoque. Se basa en los algoritmos Autoencoders que aprenden a codificar las imágenes en un espacio de características inferior y decodificarlas generando una distribución de datos de interés.
Cuándo usarlo
La eliminación de ruido de imágenes se puede utilizar con cierto éxito para eliminar el ruido o el desenfoque de las imágenes.
Cómo funciona
El algoritmo intenta primero codificar los datos de entrada en un número menor de dimensiones (compresión) y luego los reconstruye nuevamente para representarlos en el espacio de características latentes (decodificación). En un lenguaje más formal, el codificador aprende a aproximar la función de identidad utilizando menos dimensiones. Por tanto, esta técnica también es adecuada para fines de reducción de dimensiones. En el contexto de la eliminación de ruido de imágenes, podemos configurar el codificador automático convolucional para que aprenda a generar imágenes de alta calidad proporcionando al algoritmo imágenes de baja calidad frente a imágenes de alta calidad de verdad fundamental. De esta forma, el decodificador intentará aprender a representar la entrada con mayor calidad.
Casos de uso empresarial
Aplicaciones como Let'sEnhance.io utilizan esta tecnología para mejorar la calidad y la resolución de las imágenes.
7. Generación de imágenes
Qué es
Las redes generativas antagónicas (GAN) son un tipo de aprendizaje no supervisado que aprende a generar imágenes realistas.
Cuándo usarlo
Esta técnica se puede utilizar en aplicaciones que generan imágenes fotorrealistas. Por ejemplo, se puede utilizar en diseño de interiores o industrial o en escenas de juegos de ordenador.
Cómo funciona
Al generar una imagen, queremos poder tomar muestras de un espacio complejo y de alta dimensión, lo cual es imposible de hacer directamente. En lugar de ello, podemos examinar este espacio utilizando CNN. Las GAN hacen esto como si fuera un juego.
Primero, dado un ruido aleatorio, utilizamos una red generativa simple para generar imágenes falsas que, junto con muestras de entrenamiento, se envían a la red discriminativa.
Entonces, el propósito de la red discriminativa es discernir cuáles de las imágenes son falsas y cuáles son reales.
Si podemos falsificar la red discriminativa, habremos logrado encontrar una distribución adecuada a partir de la cual podamos generar imágenes realistas.
Casos de uso empresarial
Con el entrenamiento adecuado, las GAN proporcionan magnitudes de imágenes de textura 2D más precisas y nítidas. Su calidad es superior, mientras que el nivel de detalles y colores se mantiene sin cambios. NVIDIA utiliza esta tecnología para transformar bocetos en paisajes fotorrealistas.
15 de octubre de 2026
Herramientas puntuales versus plataforma: qué sucede cuando la orquestación no es nativa
