Project information

ID: PID2021-125051OB-I00

Institutional Coordinator

Financing

More information in

Analysis of institutional authors

Garcia Martin, AlvaroPrincipal investigatorMartinez Sanchez, Jose MariaPrincipal investigatorSan Miguel Avedillo, Juan CarlosResearcherBescos Cano, JesusResearcherCarballeira López, PabloResearcherEscudero Viñolo, MarcosResearcherGarcia Garcia, Miguel AngelResearcherMontalvo Rodrigo, JavierMember of the work teamAlcover Couso, RobertoMember of the work team

Share

Harvesting Visual Data: enabling computer vision in unfavourable data scenarios

Researchers: ALCOVER COUSO, ROBERTO (Miembro del equipo de trabajo); MONTALVO RODRIGO, JAVIER (Miembro del equipo de trabajo); Garcia Garcia, Miguel Angel (Investigador/a); Escudero Viñolo, Marcos (Investigador/a); Carballeira López, Pablo (Investigador/a); Bescos Cano, Jesus (Investigador/a); San Miguel Avedillo, Juan Carlos (Investigador/a); Martinez Sanchez, Jose Maria (Investigador principal (IP)); Garcia Martin, Alvaro (Investigador principal (IP))

Affiliations

Abstract

El objetivo principal de este proyecto es reducir la enorme dependencia que tienen la IA y los algoritmos Deep CNN de la disponibilidad de datos de entrenamiento anotados. Los datos son la condición que habilitan los modelos de CV en la actualidad. A pesar de haber recibido una atención sustancialmente menor que los algoritmos, métodos o modelos, se están haciendo cada vez más esfuerzos para proporcionar repositorios accesibles a gran escala, por ejemplo, fomentando el acceso justo a los datos y el intercambio de datos. Con respecto a la disponibilidad de datos anotados, dado que las soluciones de vanguardia actuales se basan principalmente en enfoques de aprendizaje supervisado, su éxito requiere la disponibilidad de grandes conjuntos de datos anotados por humanos (como ImageNet) que dependen de una gran cantidad de supervisión en tiempo y esfuerzo. Además, para algunos dominios sensibles, como los accidentes de tráfico, las anotaciones y el contenido rara vez están disponibles. Algunas aplicaciones requieren una adición continua de datos o anotaciones mientras se mantienen los pesos del modelo previamente entrenados, por ejemplo, debido a la inclusión de tareas o clases adicionales para predecir. Además, estos sistemas así entrenados generalmente se adaptan a una tarea específica y no pueden adaptarse a otras tareas sin reentrenamiento. Para hacer frente a estos problemas, se ha dedicado un gran esfuerzo de investigación a lograr sistemas que puedan: modelar los patrones intrínsecos en los datos sin aprovechar (completamente) el etiquetado humano; adaptar continuamente el proceso de aprendizaje a la disponibilidad de nuevos datos adicionales; y extrapolar el aprendizaje de información útil utilizando conjuntos de datos sintéticos complementarios para los que se puede obtener una anotación automática. En esta dirección, proponemos 1) explorar el uso de datos reales en ausencia de anotaciones a través de enfoques no supervisados y autosupervisados; y 2) explorar la creación y uso de datos sintéticos para complementar el proceso de aprendizaje (Objectives)

Keywords

Financing

Quality index

Related items