Machine Learning y procesamiento de imagen

El Aprendizaje Automático (Machine Learning) es la rama de la inteligencia artificial cuyo objetivo es el desarrollo de técnicas que permitan a las computadoras aprender a partir de los propios datos. Este campo de investigación está viviendo una extraordinaria revolución y popularización gracias a una familia de técnicas denominada Aprendizaje Profundo (Deep Learning). Se trata de modelos computacionales compuestos por numerosas capas de procesado y empleados para aprender representaciones con múltiples niveles de abstracción a partir de los datos de entrada. Son métodos que, durante la última década, han mejorado drásticamente los resultados proporcionados por las técnicas existentes en tareas como reconocimiento de habla, traducción automática y clasificación de imágenes, o que directamente han superado la capacidad humana en actividades complejas (como puede ser ganar a campeones humanos jugando al Go). De entre todas las aplicaciones del aprendizaje profundo, hay una que llama particularmente la atención por la gran cantidad de trabajos existentes y los asombrosos resultados obtenidos: la visión por computador y el procesado de imagen. De hecho, una de las formas más efectivas de aprendizaje profundo (las redes neuronales convolucionales) ha superado ampliamente a técnicas preexistentes en detección de objetos y reconocimiento de caras, sólo por citar dos ejemplos.

El principal objetivo de esta línea de investigación es crear nuevos desarrollos teóricos y prácticos en el ámbito del análisis de imágenes por medio de técnicas de aprendizaje automático. Desde el punto de vista práctico, se hace uso de redes totalmente conectadas, redes convolucionales, redes recurrentes y redes generativas, entre otras, para resolver problemas complejos del mundo real. Los ámbitos de aplicación incluyen el diagnóstico médico, la identificación forense, el campo siderúrgico, y la interacción humano-robot, entre otros. Desde el punto de vista teórico y metodológico, se pretende estudiar las propiedades y rendimiento empírico de modelos ya existentes, así como analizar, diseñar, implementar y validar nuevos modelos de aprendizaje que supongan una contribución novedosa y original al estado de la técnica.

Contacto: Pablo Mesejo Santiago

Investigadores relacionados:

Letra:

  Nombre Email Área Cat.
Álvarez Illán, Ignacio illanucBAJ7eGAKY@ugr.es Aplicaciones Tecnológicas DaSCI Doctor
Górriz Sáez, Juan Manuel gorriz@ugTZVbHM8s_AUr.es Aplicaciones Tecnológicas DaSCI Doctor
Gutiérrez Salcedo, Salvador salvador.gutierrez@u7ajfpdqNxgca.es Ciencia de Datos y Big Data DaSCI Doctor
Martínez Murcia, Francisco Jesús fjesusmartinez@ugrDjlBlnsuU.es Aplicaciones Tecnológicas DaSCI Doctor - Juan de la Cierva
Mesejo Santiago, Pablo pablomesejo@gma_F2yN8qnXil.com Aplicaciones Tecnológicas DaSCI Doctor - Marie Curie
Ortíz García, Andrés aortiz@ZvjjoG0tVFOic.uma.es Aplicaciones Tecnológicas DaSCI Doctor
Ramírez Pérez de Inestrosa, Javier javierrp@uSTeEKrlEm2gr.es Aplicaciones Tecnológicas DaSCI Doctor
Salas González, Diego dsalas@gghxfbOugr.es Aplicaciones Tecnológicas DaSCI Doctor
Segovia Román, Fermín fsegovia@ugrbeW5GHj.es Aplicaciones Tecnológicas DaSCI Doctor
Villar Castro, Pedro pvillarc@c9PVo@fugr.es Ciencia de Datos y Big Data DaSCI Doctor
Scroll Up