El aprendizaje profundo (DL) ya se ha hecho cargo de una gran parte de la investigación y las aplicaciones de visión por computadora (CV). Los sistemas DL, particularmente la red neuronal convolucional (convNet) que está biológicamente motivada (por la corteza visual primaria) han demostrado ser lo último en aplicaciones CV como la segmentación semántica, la detección de objetos y el reconocimiento de imágenes.
Por lo tanto, el futuro cercano definitivamente verá un mayor uso de los sistemas DL a medida que más áreas de visión por computadora, como la visión 3D y estéreo, se muevan más hacia el uso de técnicas de aprendizaje automático (ML).
Pero me encantaría señalar tres cosas;
- Si se le da una opción entre el aprendizaje automático y el Internet de las cosas como una opción, ¿cuál es la mejor para elegir, teniendo en cuenta el alcance y el futuro?
- ¿Cuál es una explicación intuitiva de un ingenuo clasificador de Bayes?
- ¿Qué significa para una red neuronal ser entrenada de extremo a extremo?
- Neil Lawrence: ¿Qué opinas sobre la relación entre las estadísticas y el aprendizaje automático?
- Necesito analizar resúmenes de texto en lenguaje humano e identificar los temas mencionados en ellos. ¿Esto cae bajo el reconocimiento de la entidad nombrada?
- Las arquitecturas DL no son aprendices graduales, por lo general, en visión por computadora, desearía un sistema que aprenda continuamente nuevas clases de objetos en línea en lugar de una fase de capacitación fuera de línea. Al igual que los humanos aprendemos nuevos objetos visuales todos los días.
- Ejemplos adversarios [1]: las arquitecturas DL basadas en visión se pueden engañar fácilmente utilizando lo que se denomina imágenes adversarias. Esto puede ser una amenaza para la seguridad en la robótica, especialmente en los autos sin conductor.
- Grandes requisitos de datos: los sistemas DL no son aprendices de una sola vez, no están utilizando una forma sólida de aprendizaje de transferencia para lograr el aprendizaje de una sola vez. Los sistemas DL tienen mucha hambre de datos.
Dicho esto, espero y creo que habrá avances importantes en DL para abordar las preocupaciones mencionadas anteriormente.
Por lo tanto, creo que en el futuro lejano los algoritmos probablemente intentarán imitar la forma en que los humanos perciben los objetos en lugar de tratar de simular las neuronas cerebrales reales en la corteza visual primaria.
Espero que esto ayude.
Notas al pie
[1] Atacar el aprendizaje automático con ejemplos adversos
