Hablemos de la detección de objetos

Cath Sandoval
Copywritter

Comparte este contenido:

Share on facebook
Share on twitter
Share on linkedin
Share on email
Share on whatsapp

La detección de objetos es un campo clave en la inteligencia artificial (IA), que permite a los sistemas informáticos «ver» sus entornos al detectar objetos en imágenes o vídeos visuales.

Es usada para detectar objetos visuales de diversas clases (Humanos, animales, automóviles o edificios), en imágenes digitales como fotos o fotogramas de vídeo. Su objetivo es desarrollar modelos computacionales que proporcionen la información más fundamental que necesitan las aplicaciones de visión por computadora (Dónde están los objetos y dónde).

Detección de personas

Este tipo de detección es una variante de la detección de objetos que se utiliza para detectar una «persona» de clase primaria en imágenes o fotogramas de vídeo. Esta es una tarea importante en los sistemas de videovigilancia modernos.

Los algoritmos de aprendizaje profundo recientes, proporcionan resultados sólidos de detección de personas. La mayoría de las técnicas modernas de detección de personas se entrenan en vistas frontales y asimétricas.

¿Por qué es importante la detección de objetos?

La detección de objetos es uno de los puntos fundamentales de la visión por computadora y constituye la base de muchas otras tareas posteriores de ella. Por ejemplo, segmentación de instancias, subtítulos de imágenes, seguimiento de objetos y más. 

Las aplicaciones específicas de detección de objetos incluyen detección de peatones, conteo de personas , detección de rostros, de texto, entre otras. 

Detección de objetos + aprendizaje profundo

Los rápidos avances de las técnicas de aprendizaje profundo han acelerado enormemente el impulso de la detección de objetos. Con las redes de aprendizaje profundo y la potencia informática de las GPU, el rendimiento de los detectores y rastreadores de objetos ha mejorado enormemente, logrando avances significativos en la detección de objetos.

El aprendizaje automático (ML) es una rama de la inteligencia artificial (IA), y esencialmente implica aprender patrones a partir de ejemplos o datos de muestra a medida que la máquina accede a estos y tiene la capacidad de aprender de ellos (aprendizaje supervisado en imágenes anotadas).

¿Cómo funciona la detección de objetos?

Gracias a un artículo de viso.ai, podemos conocer que la detección de objetos se puede realizar utilizando técnicas de procesamiento de imágenes tradicionales  o redes modernas de aprendizaje profundo:

  1. Procesamiento de imágenes tradicionales: Las técnicas de procesamiento de imágenes generalmente no requieren datos históricos para el entrenamiento y no están supervisadas por naturaleza.
  • Ventajas: Por lo tanto, esas tareas no requieren imágenes anotadas , donde los humanos etiquetan los datos manualmente (para entrenamiento supervisado).
  • Desventajas: estas técnicas están restringidas a múltiples factores, como escenarios complejos (sin fondo unicolor), oclusión (objetos parcialmente ocultos), iluminación y sombras, y efecto de desorden.
  1. Redes modernas de aprendizaje profundo: Los métodos de Deep Learning generalmente dependen de una capacitación supervisada. El rendimiento está limitado por la potencia de cálculo de las GPU que aumenta rápidamente año tras año.
    • Ventajas: la detección de objetos de aprendizaje profundo es significativamente más resistente a la oclusión, las escenas complejas y la iluminación desafiante.
    • Desventajas: se requiere una gran cantidad de datos de entrenamiento (además el proceso de anotación de imágenes es laborioso y costoso).

Finalmente…

La detección de objetos es una de las tecnologías más fundamentales y desafiantes de la visión por computadora. Ha recibido una gran atención en los últimos años, especialmente con el éxito de los métodos de aprendizaje profundo que actualmente dominan los métodos de detección más recientes.

La detección de objetos es cada vez más importante para las aplicaciones de visión por computadora en cualquier industria.

¡Atento! En nuestro próximo artículo te contaremos acerca de los casos de uso y cómo lo empleamos en LISA Insurtech. ¡No te lo puedes perder!

Continua leyendo...

Las Vegas: Insurtech event

Catalina Correia

Head of Marketing

ITC: LISA Insurtech fue parte del evento insurtech más grande del mundo

Lorem fistrum por la gloria de mi madre esse jarl aliqua llevame al sircoo. De la pradera ullamco qué dise usteer está la cosa muy malar.

Lista de características a elegir

Cath Sandoval

Copywritter

¿Estás preparado para innovar con LISA Claims? Revisa esta checklist

Lorem fistrum por la gloria de mi madre esse jarl aliqua llevame al sircoo. De la pradera ullamco qué dise usteer está la cosa muy malar.

Cath Sandoval

Copywritter

Se esperan 170 millones de dólares de pérdidas por malas gestiones en los reclamos de las compañías de seguros

Lorem fistrum por la gloria de mi madre esse jarl aliqua llevame al sircoo. De la pradera ullamco qué dise usteer está la cosa muy malar.