Zero-shot Object Detection

Director: Jorge Sánchez

Link de Google Meet: meet.google.com/isq-rumv-ihu

Resumen: 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 como 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. En la actualidad existen modelos que obtienen información de las descripciones semánticas capaces de asociar clases similares con una gran eficiencia, en este trabajo se utiliza esta cualidad para poder transferir el conocimiento de las clases presentes en el entrenamiento a las que no estuvieron presente.