Detalle del financiamiento

Autores: UZAL, LUCAS CÉSAR.

Descripción: El Grupo de Aprendizaje Automatizado y Aplicaciones (perteneciente al CIFASIS) recibe regularmente problemas provenientes principalmente de la agroindustria y otros sectores, que requieren la aplicación de técnicas de reconocimiento de imágenes. Si se utilizan técnicas tradicionales de Machine Vision, cada problema nuevo abordado requiere del diseño particular y selección de extractores de características. Además, si el problema es de clasificación, se requiere una cantidad considerable de ejemplos manualmente etiquetados para poder entrenar un clasificador. Las Redes Neuronales Convolucionales (Convolutional Neural Networks, CNNs) han desplazado a los métodos tradicionales de Machine Vision en muchas aplicaciones prácticas, gracias a los recientes avances en su diseño e implementación (LeCun2015). Concretamente han logrado mejorar significativamente el desempeño sobre numerosas aplicaciones y en muchos casos resolver problemas completamente nuevos, fuera del alcance de las técnicas tradicionales. El éxito de las CNNs reside en que estos modelos multicapa aprenden de los datos los extractores de características necesarios para la resolución del problema en particular. La profundidad de estos modelos (es decir, el número de capas) permite capturar de una imagen, conceptos de creciente nivel de complejidad. De esta forma las CNNs son parte fundamental de lo que se conoce como Deep Learning. Esta nueva rama de Machine Learning se destaca por la velocidad con se que transfieren desarrollos producto de investigación básica hacia aplicaciones tecnológicas concretas.Un área de actual interés y desarrollo es la concerniente al entrenamiento no supervisado de arquitecturas profundas, en particular CNNs. El avance en esta dirección permite prescindir del etiquetado manual de ejemplos para el entrenamiento de estos modelos, que frecuentemente pueden requerir desde decenas de miles hasta millones de ejemplos. Muchos procesos industriales ya han incorporado la adquisición masiva imágenes dado el bajo costo de los dispositivos de captura y almacenamiento. Sin embargo, la  clasificación y el etiquetado es en muchos casos un proceso manual y costoso.  En este contexto, disponer de técnicas efectivas de aprendizaje no supervisado le permitirá al Grupo dar una respuesta más rápida y de menor costo a los problemas de reconocimiento de imágenes que llegan desde distintos sectores, en particular del sector agroindustrial.El objetivo general es por lo tanto el desarrollo de técnicas de aprendizaje no supervisado orientado a redes neuronales convolucionales para hacer reconocimiento y clasificación a partir de imágenes en aplicaciones agroindustriales. La finalidad es disponer implementaciones de algoritmos (propios y del estado del arte) de métodos de aprendizaje no supervisado que permitan reducir la cantidad de ejemplos etiquetados para resolver los distintos problemas de aplicación agroindustrial que llegan al Grupo.

Código del proyecto: PICT-2016-4374.

Monto: 170000

Moneda: Pesos

Tipo de financiamiento: Proyectos de I+D.

Campo disciplinar: 1 - CIENCIAS NATURALES Y EXACTAS / 1.2 - Ciencias de la Computación e Información / 1.2.2 - Ciencias de la Información y Bioinformática (desarrollo de hardware va en 2.2 "Ingeniería Eléctrica, Electrónica y de Información" y los aspectos sociales van en 5.8 "Comunicación y Medios").

Campo de aplicación: Prom.Gral.del Conoc.-Cs.de la Ing.y Arq.

Especialidad: Aprendizaje Automático.

Director: LUCAS CÉSAR UZAL.