Gradiant participa en cursos de verano sobre visión por computador y reconocimiento de escenas

Gradiant | Redacción

Las líneas de investigación en torno a las que Gradiant desarrolla su actividad están en permanente evolución. Es imperativo, pues, que sus investigadores estén al tanto de los avances de la tecnología en las áreas en las que el Centro trabaja, valorando tanto su posible aprovechamiento dentro de los proyectos en vigor como el lanzamiento de nuevas iniciativas. Además de una constante vigilancia tecnológica, la asistencia a cursos, seminarios y conferencias constituye una práctica que Gradiant lleva realizando desde el inicio de sus actividades, hace ahora cuatro años, y de la que a continuación daremos cuenta citando dos ejemplos recientes.

En junio, la AERFAI Summer School 2012 contó con la participación de varios investigadores de Gradiant. Para todos aquellos que estén interesados, los vídeos de algunas ponencias estarán próximamente disponibles en la webdel Campus do Margracias a UvigoTV, al grupo GTM de la Universidad de Vigo, y al Campus Do Mar.

Asimismo, del 2 al 6 de julio se impartió en la Universidad Carlos III de Madrid un seminario sobre reconocimiento de escenas y objetos medianteen visión artificial, curso al que asistió Daniel Pereira Fernández. El seminario, que formaba parte del programa del Máster Interuniversitario en Multimedia y Comunicaciones, fue impartido por Antonio Torralba (en la foto), profesor asociado en el MIT, que hizo una revisión de los principales elementos que componen las técnicas de detección automática de objetos más utilizadas hoy en día (máquinas de vector soporte, boosting, descriptores HOG y HAAR, etc.).

Además, el profesor Torralba introdujo conceptos interesantes como la transferencia de aprendizaje entre clases de objetos con características en común, de utilidad cuando se dispone de un limitado número de muestras de entrenamiento; o el reconocimiento de escenas a partir de información global (GIST) y análisis contextual, que pueden servir para determinar la probabilidad de co-ocurrencia de ciertas clases de objetos en función del tipo de escena. También se hizo mención a un problema importante, y muchas veces ignorado, como es la presencia de sesgos en las bases de datos de entrenamiento. Esto puede conducir a un detector de objetos a tener una pobre capacidad de generalización que, a la postre, comprometa de forma notable su rendimiento en escenarios realistas (por ejemplo, un detector de coches entrenado sólo con vistas laterales no se comportará bien en un escenario que contenga vistas desde otros ángulos).

La asistencia a este tipo de eventos contribuye a mejorar el trabajo en las líneas de investigación de Gradiant, aportando nuevos conocimientos a las líneas de Human Sensing y Análisis de vídeo Vídeo Avanzado, entre otras.

Share on FacebookGoogle+Tweet about this on TwitterShare on LinkedIn