Detección de objetos en imágenes mediante aprendizaje sin ejemplos

Abstract

En el año 2010 surgió la llamada “revolución” del aprendizaje profundo, y con esto, los métodos capaces de detectar objetos en una imagen progresaron considerablemente. Estos algoritmos o modelos fueron mejorando en cada año, hasta hoy en día, que alcanzaron un excelente rendimiento e innumerables aplicaciones. Pero estos poseen una limitación, necesitan tener una gran cantidad de imágenes anotadas, que en algunos casos resulta inviable. Para resolver este problema surgieron técnicas cómo la detección de objetos sin ejemplos (ZSD) por sus siglas en inglés Zero-shot Object Detection. Este es un problema de investigación recientemente propuesto, que tiene como objetivo localizar y reconocer simultáneamente objetos de clases nunca antes vistas. Para suplir la falta de ejemplos de entrenamiento de algunas clases, se combinan distintos atributos de las imágenes y de las clases para inferir los objetos novedosos. Generalmente, se proponen modelos de ZSD como una combinación de características visuales y descripciones semánticas, aprendiendo un mapeo visual-semántico.

In 2010 the deep learning revolution started and made possible the development of methods that are able to detect objects contained in images. These algorithms were improved with the years, and nowadays, they have achieved excellent performance and a great number of applications. However, these methods still have some limitations, mostly related to the great number of tagged images that need to be considered, which in some cases are impossible to obtain. In order to solve this problem, several techniques have been developed, such as the zero shoot detection (ZSD). This method has been recently proposed and aims to simultaneously localize and recognize objects of unseen classes. In order to compensate for the lack of ``examples of training'' of some classes, different attributes of the images and the classes are combined to infer the new objects. In general, ZSD models are designed as a combination of visual characteristics and semantic descriptions, which make it possible to learn a visual-semantic mapping.