¡Hola!
Acabamos de publicar una publicación en el blog que describe los documentos y técnicas más notables utilizados hoy en día para la detección de objetos, así como su evolución.
Los principales descritos son:
- Cómo elegir el conjunto de validación para poder representar mejor el conjunto de prueba
- ¿Cuáles son algunas aplicaciones de los modelos gráficos probabilísticos?
- ¿Qué tipo de big data se genera desde internet de las cosas? ¿Cómo recopilo esos datos? ¿Puedo aplicar el aprendizaje automático para encontrar patrones en los datos?
- ¿Qué significa cuando obtengo buenos resultados de la medida F con un CV de 10 veces pero resultados pobres en los datos de la prueba, resultados similares si participo el conjunto de datos original en el conjunto de entrenamiento / validación? Obtengo buenos resultados en la validación pero malos resultados en el conjunto de pruebas.
- ¿Cuáles son las mejores prácticas en torno al aprendizaje automático y los sistemas de recomendación para sitios de trabajo?
- OverFeat por NYU.
- R-CNN rápido por Ross Girshick
- YOLO por Joseph Redmon
- R-CNN más rápido por Shaoqing Ren
Además de una explicación más profunda de estas técnicas, esta publicación explica más detalladamente:
- Detección de objetos frente a otros problemas de visión por computadora
- Principales desafíos en la detección de objetos.
- Enfoque clásico de visión por computadora
- Importancia de un conjunto de datos.
Enlace de publicación: Detección de objetos: una visión general en la era del aprendizaje profundo
Espero que lo encuentres útil 🙂
Actualización (10/12/17): hemos lanzado un kit de herramientas de código abierto para la detección de objetos, que admite el modelo R-CNN más rápido. Será mejor que lo revises: luminoth.ai (Github aquí ).
