MULTI-TASKING DEEP LEARNING FOR OBJECT RECOGNITION (Q3159224): Difference between revisions
Jump to navigation
Jump to search
(Created claim: summary (P836): DEEP LEARNING (‘DEEP LEARNING’) HAS BECOME THE TECHNIQUE PAR EXCELLENCE IN THE FIELD OF AUTOMATIC LEARNING APPLIED TO COMPUTER VISION. BASED ON ITS SUCCESS IN THE CLASSIFICATION OF IMAGES, DEEP LEARNING HAS SURPASSED (IN TERMS OF PERFORMANCE) OTHER TECHNIQUES OF THE SAME SCOPE AND IS BEING USED TODAY BY THE MAJORITY OF APPLICATIONS IN VISION BY COMPUTER, INCLUDING THE DETECTION OF ‘SALIENCY’, THE DETECTION OF OBJECTS, VISUAL TRACKING, IMAGE PROC...) |
(Changed label, description and/or aliases in fr, and other parts: Adding French translations) |
||||||||||||||
| label / fr | label / fr | ||||||||||||||
APPRENTISSAGE EN PROFONDEUR MULTITÂCHES POUR LA RECONNAISSANCE D’OBJETS | |||||||||||||||
| Property / summary | |||||||||||||||
L’APPRENTISSAGE PROFOND («DEEP LEARNING») EST DEVENU LA TECHNIQUE PAR EXCELLENCE DANS LE DOMAINE DE L’APPRENTISSAGE AUTOMATIQUE APPLIQUÉ À LA VISION PAR ORDINATEUR. SUR LA BASE DE SON SUCCÈS DANS LA CLASSIFICATION DES IMAGES, L’APPRENTISSAGE PROFOND A DÉPASSÉ (EN TERMES DE PERFORMANCE) D’AUTRES TECHNIQUES DE MÊME PORTÉE ET EST UTILISÉ AUJOURD’HUI PAR LA MAJORITÉ DES APPLICATIONS DE VISION PAR ORDINATEUR, Y COMPRIS LA DÉTECTION DE «SALIENCY», LA DÉTECTION D’OBJETS, LE SUIVI VISUEL, LE TRAITEMENT D’IMAGES ET L’AUTOMATISATION DU PROCESSUS DE DESCRIPTION DU CONTENU DE L’IMAGE. L’EXIT atteint par les réseaux NEURONAL PROFUND est dû à l’existence de très grandes bases de données et au développement de nouvelles nécessités GPUS pour le traitement des données de base._x000D__x000D_L’arrestation multitâche (MTL — PAR VOTRE SIGLAS EN FRANÇAIS) c’est une très bonne technique qui a été mise en place par la COMMUNAUTÉ SCIENTIFIQUE DE LEARNING AUTOMATIQUE. CETTE TECHNIQUE ENVISAGE PLUSIEURS TÂCHES D’UNE MANIÈRE CONJOINTE DANS LE BUT DE TIRER PARTI DES SIMILITUDES QU’ELLES PARTAGENT. PAR CONSÉQUENT, UNE AMÉLIORATION DE LA PERFORMANCE PEUT ÊTRE OBTENUE QUE SI CHAQUE TÂCHE ÉTAIT EXAMINÉE SÉPARÉMENT. VOTRE APPLICATION EST ADAPTÉE À TOUT PROBLÈME LORSQU’IL Y A UN CERTAIN NOMBRE DE TÂCHES CONNEXES À APPRENDRE ET/OU LORSQU’IL Y A UN PETIT ENSEMBLE DE DONNÉES POUR ÊTRE EN MESURE D’APPRENDRE UNE TÂCHE PARTICULIÈRE. MTL a été initiée par la capacité de l’être humain à améliorer le processus d’arrestation d’un tribunal s’il est effectué d’une manière qui est liée à d’autres territoires qui ont été liés, en même temps, à une manière individuelle._x000D_ _x000D__x000D_x000D_x000D_x000D_x000D_x005F x000D__x000D__x000D__x000D_x000F_x000D__x000D_x000D_x000F_x000D_x000D_x000D_x000D_x000D_x000D_x000D x000D__x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D__x000D_x000D_x000D_x000D_x000D__x000D__x000D_x000D_x000D_x000D__x000D__x000D__x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x005D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x APPRENTISSAGE PROFOND ET MTL. L’INITIATIVE DE CE PROJET REPOSE SUR L’EXISTENCE DE RÉSULTATS INITIAUX PROMETTEURS DANS CETTE DIRECTION. NOTRE HYPOTHÈSE DE TRAVAIL EST: LES RÉSEAUX NEURONAUX PROFONDS PEUVENT BÉNÉFICIER DE LA STRATÉGIE D’APPRENTISSAGE MULTITÂCHES, LES RÉSEAUX FORMÉS À PLUSIEURS TÂCHES AUGMENTENT LEURS PERFORMANCES PAR RAPPORT AUX RÉSEAUX FORMÉS À UNE TÂCHE UNIQUE. EN OUTRE, L’APPRENTISSAGE MULTITÂCHES PEUT ÊTRE TRÈS UTILE LORSQUE L’ENSEMBLE DE DONNÉES POUR UNE TÂCHE N’EST PAS ASSEZ GRAND. DANS CE CAS, L’ABSENCE DE DONNÉES DANS UNE TÂCHE EST COMPENSÉE PAR LES DONNÉES DES AUTRES TÂCHES RESTANTES. POUR CETTE RAISON, NOUS AVONS L’INTENTION D’ÉTUDIER EN DÉTAIL L’APPRENTISSAGE MULTITÂCHE PROFOND (DMTL) DANS LE CADRE DE CE PROJET. NOUS AVONS L’INTENTION DE DÉFINIR UN CADRE GÉNÉRAL POUR LA CONCEPTION DES ARCHITECTURES DMTL ET DES STRATÉGIES OPTIMALES POUR LEUR FORMATION. EN OUTRE, L’EFFET DES ENSEMBLES DE DONNÉES DÉCOMPENSÉS SUR L’APPRENTISSAGE DES RÉSEAUX DMTL SERA ÉTUDIÉ. PLUS PRÉCISÉMENT, LES RÉSEAUX DMTL SERONT APPLIQUÉS À PLUSIEURS APPLICATIONS, Y COMPRIS LA DÉTECTION D’OBJETS, LA CLASSIFICATION DES SCÈNES, LA DÉTECTION DE LA «SALIENCY», L’AUTOMATISATION DU PROCESSUS DE DESCRIPTION DU CONTENU DE L’IMAGE ET LE SUIVI VISUEL (THÈMES DE RECHERCHE DANS LESQUELS LE GROUPE DE LAMPES EST DÉJÀ IMPLIQUÉ MAIS QUI SERONT DÉSORMAIS CONSIDÉRÉS SOUS L’ANGLE D’UNE SEULE TÂCHE). (French) | |||||||||||||||
| Property / summary: L’APPRENTISSAGE PROFOND («DEEP LEARNING») EST DEVENU LA TECHNIQUE PAR EXCELLENCE DANS LE DOMAINE DE L’APPRENTISSAGE AUTOMATIQUE APPLIQUÉ À LA VISION PAR ORDINATEUR. SUR LA BASE DE SON SUCCÈS DANS LA CLASSIFICATION DES IMAGES, L’APPRENTISSAGE PROFOND A DÉPASSÉ (EN TERMES DE PERFORMANCE) D’AUTRES TECHNIQUES DE MÊME PORTÉE ET EST UTILISÉ AUJOURD’HUI PAR LA MAJORITÉ DES APPLICATIONS DE VISION PAR ORDINATEUR, Y COMPRIS LA DÉTECTION DE «SALIENCY», LA DÉTECTION D’OBJETS, LE SUIVI VISUEL, LE TRAITEMENT D’IMAGES ET L’AUTOMATISATION DU PROCESSUS DE DESCRIPTION DU CONTENU DE L’IMAGE. L’EXIT atteint par les réseaux NEURONAL PROFUND est dû à l’existence de très grandes bases de données et au développement de nouvelles nécessités GPUS pour le traitement des données de base._x000D__x000D_L’arrestation multitâche (MTL — PAR VOTRE SIGLAS EN FRANÇAIS) c’est une très bonne technique qui a été mise en place par la COMMUNAUTÉ SCIENTIFIQUE DE LEARNING AUTOMATIQUE. CETTE TECHNIQUE ENVISAGE PLUSIEURS TÂCHES D’UNE MANIÈRE CONJOINTE DANS LE BUT DE TIRER PARTI DES SIMILITUDES QU’ELLES PARTAGENT. PAR CONSÉQUENT, UNE AMÉLIORATION DE LA PERFORMANCE PEUT ÊTRE OBTENUE QUE SI CHAQUE TÂCHE ÉTAIT EXAMINÉE SÉPARÉMENT. VOTRE APPLICATION EST ADAPTÉE À TOUT PROBLÈME LORSQU’IL Y A UN CERTAIN NOMBRE DE TÂCHES CONNEXES À APPRENDRE ET/OU LORSQU’IL Y A UN PETIT ENSEMBLE DE DONNÉES POUR ÊTRE EN MESURE D’APPRENDRE UNE TÂCHE PARTICULIÈRE. MTL a été initiée par la capacité de l’être humain à améliorer le processus d’arrestation d’un tribunal s’il est effectué d’une manière qui est liée à d’autres territoires qui ont été liés, en même temps, à une manière individuelle._x000D_ _x000D__x000D_x000D_x000D_x000D_x000D_x005F x000D__x000D__x000D__x000D_x000F_x000D__x000D_x000D_x000F_x000D_x000D_x000D_x000D_x000D_x000D_x000D x000D__x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D__x000D_x000D_x000D_x000D_x000D__x000D__x000D_x000D_x000D_x000D__x000D__x000D__x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x005D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x APPRENTISSAGE PROFOND ET MTL. L’INITIATIVE DE CE PROJET REPOSE SUR L’EXISTENCE DE RÉSULTATS INITIAUX PROMETTEURS DANS CETTE DIRECTION. NOTRE HYPOTHÈSE DE TRAVAIL EST: LES RÉSEAUX NEURONAUX PROFONDS PEUVENT BÉNÉFICIER DE LA STRATÉGIE D’APPRENTISSAGE MULTITÂCHES, LES RÉSEAUX FORMÉS À PLUSIEURS TÂCHES AUGMENTENT LEURS PERFORMANCES PAR RAPPORT AUX RÉSEAUX FORMÉS À UNE TÂCHE UNIQUE. EN OUTRE, L’APPRENTISSAGE MULTITÂCHES PEUT ÊTRE TRÈS UTILE LORSQUE L’ENSEMBLE DE DONNÉES POUR UNE TÂCHE N’EST PAS ASSEZ GRAND. DANS CE CAS, L’ABSENCE DE DONNÉES DANS UNE TÂCHE EST COMPENSÉE PAR LES DONNÉES DES AUTRES TÂCHES RESTANTES. POUR CETTE RAISON, NOUS AVONS L’INTENTION D’ÉTUDIER EN DÉTAIL L’APPRENTISSAGE MULTITÂCHE PROFOND (DMTL) DANS LE CADRE DE CE PROJET. NOUS AVONS L’INTENTION DE DÉFINIR UN CADRE GÉNÉRAL POUR LA CONCEPTION DES ARCHITECTURES DMTL ET DES STRATÉGIES OPTIMALES POUR LEUR FORMATION. EN OUTRE, L’EFFET DES ENSEMBLES DE DONNÉES DÉCOMPENSÉS SUR L’APPRENTISSAGE DES RÉSEAUX DMTL SERA ÉTUDIÉ. PLUS PRÉCISÉMENT, LES RÉSEAUX DMTL SERONT APPLIQUÉS À PLUSIEURS APPLICATIONS, Y COMPRIS LA DÉTECTION D’OBJETS, LA CLASSIFICATION DES SCÈNES, LA DÉTECTION DE LA «SALIENCY», L’AUTOMATISATION DU PROCESSUS DE DESCRIPTION DU CONTENU DE L’IMAGE ET LE SUIVI VISUEL (THÈMES DE RECHERCHE DANS LESQUELS LE GROUPE DE LAMPES EST DÉJÀ IMPLIQUÉ MAIS QUI SERONT DÉSORMAIS CONSIDÉRÉS SOUS L’ANGLE D’UNE SEULE TÂCHE). (French) / rank | |||||||||||||||
Normal rank | |||||||||||||||
| Property / summary: L’APPRENTISSAGE PROFOND («DEEP LEARNING») EST DEVENU LA TECHNIQUE PAR EXCELLENCE DANS LE DOMAINE DE L’APPRENTISSAGE AUTOMATIQUE APPLIQUÉ À LA VISION PAR ORDINATEUR. SUR LA BASE DE SON SUCCÈS DANS LA CLASSIFICATION DES IMAGES, L’APPRENTISSAGE PROFOND A DÉPASSÉ (EN TERMES DE PERFORMANCE) D’AUTRES TECHNIQUES DE MÊME PORTÉE ET EST UTILISÉ AUJOURD’HUI PAR LA MAJORITÉ DES APPLICATIONS DE VISION PAR ORDINATEUR, Y COMPRIS LA DÉTECTION DE «SALIENCY», LA DÉTECTION D’OBJETS, LE SUIVI VISUEL, LE TRAITEMENT D’IMAGES ET L’AUTOMATISATION DU PROCESSUS DE DESCRIPTION DU CONTENU DE L’IMAGE. L’EXIT atteint par les réseaux NEURONAL PROFUND est dû à l’existence de très grandes bases de données et au développement de nouvelles nécessités GPUS pour le traitement des données de base._x000D__x000D_L’arrestation multitâche (MTL — PAR VOTRE SIGLAS EN FRANÇAIS) c’est une très bonne technique qui a été mise en place par la COMMUNAUTÉ SCIENTIFIQUE DE LEARNING AUTOMATIQUE. CETTE TECHNIQUE ENVISAGE PLUSIEURS TÂCHES D’UNE MANIÈRE CONJOINTE DANS LE BUT DE TIRER PARTI DES SIMILITUDES QU’ELLES PARTAGENT. PAR CONSÉQUENT, UNE AMÉLIORATION DE LA PERFORMANCE PEUT ÊTRE OBTENUE QUE SI CHAQUE TÂCHE ÉTAIT EXAMINÉE SÉPARÉMENT. VOTRE APPLICATION EST ADAPTÉE À TOUT PROBLÈME LORSQU’IL Y A UN CERTAIN NOMBRE DE TÂCHES CONNEXES À APPRENDRE ET/OU LORSQU’IL Y A UN PETIT ENSEMBLE DE DONNÉES POUR ÊTRE EN MESURE D’APPRENDRE UNE TÂCHE PARTICULIÈRE. MTL a été initiée par la capacité de l’être humain à améliorer le processus d’arrestation d’un tribunal s’il est effectué d’une manière qui est liée à d’autres territoires qui ont été liés, en même temps, à une manière individuelle._x000D_ _x000D__x000D_x000D_x000D_x000D_x000D_x005F x000D__x000D__x000D__x000D_x000F_x000D__x000D_x000D_x000F_x000D_x000D_x000D_x000D_x000D_x000D_x000D x000D__x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D__x000D_x000D_x000D_x000D_x000D__x000D__x000D_x000D_x000D_x000D__x000D__x000D__x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x005D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x APPRENTISSAGE PROFOND ET MTL. L’INITIATIVE DE CE PROJET REPOSE SUR L’EXISTENCE DE RÉSULTATS INITIAUX PROMETTEURS DANS CETTE DIRECTION. NOTRE HYPOTHÈSE DE TRAVAIL EST: LES RÉSEAUX NEURONAUX PROFONDS PEUVENT BÉNÉFICIER DE LA STRATÉGIE D’APPRENTISSAGE MULTITÂCHES, LES RÉSEAUX FORMÉS À PLUSIEURS TÂCHES AUGMENTENT LEURS PERFORMANCES PAR RAPPORT AUX RÉSEAUX FORMÉS À UNE TÂCHE UNIQUE. EN OUTRE, L’APPRENTISSAGE MULTITÂCHES PEUT ÊTRE TRÈS UTILE LORSQUE L’ENSEMBLE DE DONNÉES POUR UNE TÂCHE N’EST PAS ASSEZ GRAND. DANS CE CAS, L’ABSENCE DE DONNÉES DANS UNE TÂCHE EST COMPENSÉE PAR LES DONNÉES DES AUTRES TÂCHES RESTANTES. POUR CETTE RAISON, NOUS AVONS L’INTENTION D’ÉTUDIER EN DÉTAIL L’APPRENTISSAGE MULTITÂCHE PROFOND (DMTL) DANS LE CADRE DE CE PROJET. NOUS AVONS L’INTENTION DE DÉFINIR UN CADRE GÉNÉRAL POUR LA CONCEPTION DES ARCHITECTURES DMTL ET DES STRATÉGIES OPTIMALES POUR LEUR FORMATION. EN OUTRE, L’EFFET DES ENSEMBLES DE DONNÉES DÉCOMPENSÉS SUR L’APPRENTISSAGE DES RÉSEAUX DMTL SERA ÉTUDIÉ. PLUS PRÉCISÉMENT, LES RÉSEAUX DMTL SERONT APPLIQUÉS À PLUSIEURS APPLICATIONS, Y COMPRIS LA DÉTECTION D’OBJETS, LA CLASSIFICATION DES SCÈNES, LA DÉTECTION DE LA «SALIENCY», L’AUTOMATISATION DU PROCESSUS DE DESCRIPTION DU CONTENU DE L’IMAGE ET LE SUIVI VISUEL (THÈMES DE RECHERCHE DANS LESQUELS LE GROUPE DE LAMPES EST DÉJÀ IMPLIQUÉ MAIS QUI SERONT DÉSORMAIS CONSIDÉRÉS SOUS L’ANGLE D’UNE SEULE TÂCHE). (French) / qualifier | |||||||||||||||
point in time: 4 December 2021
| |||||||||||||||
Revision as of 10:22, 4 December 2021
Project Q3159224 in Spain
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | MULTI-TASKING DEEP LEARNING FOR OBJECT RECOGNITION |
Project Q3159224 in Spain |
Statements
19,723.0 Euro
0 references
39,446.0 Euro
0 references
50.0 percent
0 references
30 December 2016
0 references
29 December 2019
0 references
CENTRO DE VISION POR COMPUTADOR
0 references
41°29'27.71"N, 2°8'15.00"E
0 references
08266
0 references
EL APRENDIZAJE PROFUNDO ('DEEP LEARNING') SE HA CONVERTIDO EN LA TECNICA POR EXCELENCIA EN EL AMBITO DEL APRENDIZAJE AUTOMATICO APLICADO A LA VISION POR COMPUTADOR. TOMANDO COMO REFERENCIA SU EXITO EN LA CLASIFICACION DE IMAGENES, EL APRENDIZAJE PROFUNDO HA SUPERADO (EN TERMINOS DE RENDIMIENTO) A OTRAS TECNICAS DEL MISMO AMBITO Y ESTA SIENDO UTILIZADA HOY EN DIA POR LA MAYORIA DE LAS APLICACIONES EN VISION POR COMPUTADOR, INCLUYENDO LA DETECCION DE 'SALIENCY', LA DETECCION DE OBJETOS, EL SEGUIMIENTO VISUAL, EL PROCESAMIENTO DE IMAGENES Y LA AUTOMATIZACION DEL PROCESO DE DESCRIPCION DEL CONTENIDO DE LA IMAGEN. EL EXITO LOGRADO POR LAS REDES NEURONALES PROFUNDAS SE DEBE A LA EXISTENCIA DE BASES DE DATOS MUY AMPLIAS Y AL DESARROLLO DE NUEVOS GPUS NECESARIOS PARA EL PROCESAMIENTO DE DICHAS BASES._x000D_ _x000D_ EL APRENDIZAJE MULTITAREA (MTL - POR SUS SIGLAS EN INGLES) ES UNA TECNICA MUY BIEN ESTUDIADA POR LA COMUNIDAD CIENTIFICA DE APRENDIZAJE AUTOMATICO. ESTA TECNICA CONTEMPLA VARIAS TAREAS DE UNA MANERA CONJUNTA CON EL OBJETIVO DE APROVECHAR LAS SIMILITUDES QUE COMPARTEN. COMO CONSECUENCIA, SE PUEDE CONSEGUIR UNA MEJORA DEL RENDIMIENTO QUE SI SE CONSIDERARA CADA TAREA POR SEPARADO. SU APLICACION ES APTA PARA CUALQUIER PROBLEMA DONDE HAY UN NUMERO DE TAREAS RELACIONADAS QUE APRENDER Y/O CUANDO HAY UN CONJUNTO DE DATOS PEQUEÑO PARA PODER APRENDER UNA TAREA EN PARTICULAR. EL MTL FUE INSPIRADO POR LA CAPACIDAD DEL SER HUMANO EN MEJORAR EL PROCESO DE APRENDIZAJE DE UNA TAREA SI ESTA SE REALIZA DE MANERA CONJUNTA CON OTRAS TAREAS QUE TIENEN RELACION, A DIFERENCIA DE CUANDO LA MISMA TAREA SE APRENDE DE MANERA INDIVIDUAL._x000D_ _x000D_ EL OBJETIVO DE ESTA MEMORIA ES PROPONER Y ESTUDIAR UN MARCO TEORICO COMUN QUE INCLUYA LOS DOS CONCEPTOS: ¿DEEP LEARNING¿ Y EL MTL. LA INICIATIVA DE ESTE PROYECTO SE APOYA EN LA EXISTENCIA DE UNOS RESULTADOS INICIALES PROMETEDORES EN ESTA DIRECCION. NUESTRA HIPOTESIS DE TRABAJO ES: LAS REDES NEURONALES PROFUNDAS PUEDEN BENEFICIARSE DE LA ESTRATEGIA DE APRENDIZAJE MULTITAREA, ES DECIR, LAS REDES ENTRENADAS CON VARIAS TAREAS AUMENTAN SU RENDIMIENTO EN COMPARACION CON LAS REDES ENTRENADAS CON UNA SOLA TAREA. ADEMAS, EL APRENDIZAJE MULTITAREA PUEDE SER MUY UTIL CUANDO EL CONJUNTO DE DATOS PARA UNA TAREA NO SEA SUFICIENTEMENTE GRANDE. EN ESTE CASO SE COMPENSA LA AUSENCIA DE DATOS EN UNA TAREA CON LOS DATOS DE LAS OTRAS TAREAS RESTANTES. POR ESTA RAZON, NOS PLANTEAMOS ESTUDIAR EN DETALLE EL ¿DEEP MULTITASK LEARNING¿ (DMTL) COMO PARTE DE ESTE PROYECTO. NOS PROPONEMOS DEFINIR UN MARCO GENERAL PARA EL DISEÑO DE LAS ARQUITECTURAS DMTL Y UNAS ESTRATEGIAS OPTIMAS PARA SU ENTRENAMIENTO. ADEMAS, SE ESTUDIARA EL EFECTO DE CONJUNTOS DE DATOS DESCOMPENSADOS PARA APRENDER LAS REDES DMTL. EN CONCRETO, SE APLICARAN LAS REDES DMTL A VARIAS APLICACIONES INCLUYENDO DETECCION DE OBJETOS, CLASIFICACION DE ESCENAS, DETECCION DE LA 'SALIENCY', AUTOMATIZACION DEL PROCESO DE DESCRIPCION DEL CONTENIDO DE LA IMAGEN Y SEGUIMIENTO VISUAL (TEMAS DE INVESTIGACION EN LOS QUE EL GRUPO LAMP YA ESTA INVOLUCRADO PERO QUE SE CONSIDERARAN AHORA DESDE EL PUNTO DE VISTA DE UNA SOLA TAREA). (Spanish)
0 references
DEEP LEARNING (‘DEEP LEARNING’) HAS BECOME THE TECHNIQUE PAR EXCELLENCE IN THE FIELD OF AUTOMATIC LEARNING APPLIED TO COMPUTER VISION. BASED ON ITS SUCCESS IN THE CLASSIFICATION OF IMAGES, DEEP LEARNING HAS SURPASSED (IN TERMS OF PERFORMANCE) OTHER TECHNIQUES OF THE SAME SCOPE AND IS BEING USED TODAY BY THE MAJORITY OF APPLICATIONS IN VISION BY COMPUTER, INCLUDING THE DETECTION OF ‘SALIENCY’, THE DETECTION OF OBJECTS, VISUAL TRACKING, IMAGE PROCESSING AND THE AUTOMATION OF THE PROCESS OF DESCRIBING THE CONTENTS OF THE IMAGE. The EXIT achieved by the PROFUND NEURONAL networks is due to the existence of very large data bases and the development of new GPUS necessities for the process of basic data._x000D__x000D_ The multitasking apprehending (MTL — BY YOUR SIGLAS IN ENGLISH) it’s a very good technic that has been established by the SCIENTIFIC COMMUNITY OF AUTOMATIC LEARNING. THIS TECHNIQUE CONTEMPLATES SEVERAL TASKS IN A JOINT WAY WITH THE AIM OF TAKING ADVANTAGE OF THE SIMILARITIES THEY SHARE. AS A RESULT, AN IMPROVEMENT IN PERFORMANCE CAN BE ACHIEVED THAN IF EACH TASK WERE CONSIDERED SEPARATELY. YOUR APPLICATION IS SUITABLE FOR ANY PROBLEM WHERE THERE ARE A NUMBER OF RELATED TASKS TO LEARN AND/OR WHEN THERE IS A SMALL DATASET TO BE ABLE TO LEARN A PARTICULAR TASK. MTL was initiated by the capacity of the human being to improve the apprehending process of a court if it is carried out in a way that is linked to other territories that have been linked to, at the same time as the same time, an individual way._x000D_ _x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x005F the OBJECTIVE OF THIS MEMORY IS TO PROPONER AND STUDY A THEORIC FRAMEWORK AS A COMMUNITY INCLUDING THE TWO CONCEPTS: DEEP LEARNING AND MTL. THE INITIATIVE OF THIS PROJECT IS BASED ON THE EXISTENCE OF PROMISING INITIAL RESULTS IN THIS DIRECTION. OUR WORKING HYPOTHESIS IS: DEEP NEURAL NETWORKS CAN BENEFIT FROM THE MULTITASKING LEARNING STRATEGY, I.E. MULTI-TASK-TRAINED NETWORKS INCREASE THEIR PERFORMANCE COMPARED TO SINGLE-TASK-TRAINED NETWORKS. IN ADDITION, MULTITASKING LEARNING CAN BE VERY USEFUL WHEN THE DATASET FOR A TASK IS NOT LARGE ENOUGH. IN THIS CASE THE ABSENCE OF DATA IN ONE TASK IS COMPENSATED BY THE DATA OF THE OTHER REMAINING TASKS. FOR THIS REASON, WE INTEND TO STUDY IN DETAIL THE DEEP MULTITASK LEARNING (DMTL) AS PART OF THIS PROJECT. WE INTEND TO DEFINE A GENERAL FRAMEWORK FOR THE DESIGN OF DMTL ARCHITECTURES AND OPTIMAL STRATEGIES FOR THEIR TRAINING. IN ADDITION, THE EFFECT OF DECOMPENSATED DATASETS TO LEARN DMTL NETWORKS WILL BE STUDIED. SPECIFICALLY, DMTL NETWORKS WILL BE APPLIED TO SEVERAL APPLICATIONS INCLUDING OBJECT DETECTION, CLASSIFICATION OF SCENES, DETECTION OF THE ‘SALIENCY’, AUTOMATION OF THE PROCESS OF DESCRIBING THE CONTENTS OF THE IMAGE AND VISUAL MONITORING (RESEARCH THEMES IN WHICH THE LAMP GROUP IS ALREADY INVOLVED BUT WHICH WILL NOW BE CONSIDERED FROM THE POINT OF VIEW OF A SINGLE TASK). (English)
12 October 2021
0 references
L’APPRENTISSAGE PROFOND («DEEP LEARNING») EST DEVENU LA TECHNIQUE PAR EXCELLENCE DANS LE DOMAINE DE L’APPRENTISSAGE AUTOMATIQUE APPLIQUÉ À LA VISION PAR ORDINATEUR. SUR LA BASE DE SON SUCCÈS DANS LA CLASSIFICATION DES IMAGES, L’APPRENTISSAGE PROFOND A DÉPASSÉ (EN TERMES DE PERFORMANCE) D’AUTRES TECHNIQUES DE MÊME PORTÉE ET EST UTILISÉ AUJOURD’HUI PAR LA MAJORITÉ DES APPLICATIONS DE VISION PAR ORDINATEUR, Y COMPRIS LA DÉTECTION DE «SALIENCY», LA DÉTECTION D’OBJETS, LE SUIVI VISUEL, LE TRAITEMENT D’IMAGES ET L’AUTOMATISATION DU PROCESSUS DE DESCRIPTION DU CONTENU DE L’IMAGE. L’EXIT atteint par les réseaux NEURONAL PROFUND est dû à l’existence de très grandes bases de données et au développement de nouvelles nécessités GPUS pour le traitement des données de base._x000D__x000D_L’arrestation multitâche (MTL — PAR VOTRE SIGLAS EN FRANÇAIS) c’est une très bonne technique qui a été mise en place par la COMMUNAUTÉ SCIENTIFIQUE DE LEARNING AUTOMATIQUE. CETTE TECHNIQUE ENVISAGE PLUSIEURS TÂCHES D’UNE MANIÈRE CONJOINTE DANS LE BUT DE TIRER PARTI DES SIMILITUDES QU’ELLES PARTAGENT. PAR CONSÉQUENT, UNE AMÉLIORATION DE LA PERFORMANCE PEUT ÊTRE OBTENUE QUE SI CHAQUE TÂCHE ÉTAIT EXAMINÉE SÉPARÉMENT. VOTRE APPLICATION EST ADAPTÉE À TOUT PROBLÈME LORSQU’IL Y A UN CERTAIN NOMBRE DE TÂCHES CONNEXES À APPRENDRE ET/OU LORSQU’IL Y A UN PETIT ENSEMBLE DE DONNÉES POUR ÊTRE EN MESURE D’APPRENDRE UNE TÂCHE PARTICULIÈRE. MTL a été initiée par la capacité de l’être humain à améliorer le processus d’arrestation d’un tribunal s’il est effectué d’une manière qui est liée à d’autres territoires qui ont été liés, en même temps, à une manière individuelle._x000D_ _x000D__x000D_x000D_x000D_x000D_x000D_x005F x000D__x000D__x000D__x000D_x000F_x000D__x000D_x000D_x000F_x000D_x000D_x000D_x000D_x000D_x000D_x000D x000D__x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D__x000D_x000D_x000D_x000D_x000D__x000D__x000D_x000D_x000D_x000D__x000D__x000D__x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x005D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x APPRENTISSAGE PROFOND ET MTL. L’INITIATIVE DE CE PROJET REPOSE SUR L’EXISTENCE DE RÉSULTATS INITIAUX PROMETTEURS DANS CETTE DIRECTION. NOTRE HYPOTHÈSE DE TRAVAIL EST: LES RÉSEAUX NEURONAUX PROFONDS PEUVENT BÉNÉFICIER DE LA STRATÉGIE D’APPRENTISSAGE MULTITÂCHES, LES RÉSEAUX FORMÉS À PLUSIEURS TÂCHES AUGMENTENT LEURS PERFORMANCES PAR RAPPORT AUX RÉSEAUX FORMÉS À UNE TÂCHE UNIQUE. EN OUTRE, L’APPRENTISSAGE MULTITÂCHES PEUT ÊTRE TRÈS UTILE LORSQUE L’ENSEMBLE DE DONNÉES POUR UNE TÂCHE N’EST PAS ASSEZ GRAND. DANS CE CAS, L’ABSENCE DE DONNÉES DANS UNE TÂCHE EST COMPENSÉE PAR LES DONNÉES DES AUTRES TÂCHES RESTANTES. POUR CETTE RAISON, NOUS AVONS L’INTENTION D’ÉTUDIER EN DÉTAIL L’APPRENTISSAGE MULTITÂCHE PROFOND (DMTL) DANS LE CADRE DE CE PROJET. NOUS AVONS L’INTENTION DE DÉFINIR UN CADRE GÉNÉRAL POUR LA CONCEPTION DES ARCHITECTURES DMTL ET DES STRATÉGIES OPTIMALES POUR LEUR FORMATION. EN OUTRE, L’EFFET DES ENSEMBLES DE DONNÉES DÉCOMPENSÉS SUR L’APPRENTISSAGE DES RÉSEAUX DMTL SERA ÉTUDIÉ. PLUS PRÉCISÉMENT, LES RÉSEAUX DMTL SERONT APPLIQUÉS À PLUSIEURS APPLICATIONS, Y COMPRIS LA DÉTECTION D’OBJETS, LA CLASSIFICATION DES SCÈNES, LA DÉTECTION DE LA «SALIENCY», L’AUTOMATISATION DU PROCESSUS DE DESCRIPTION DU CONTENU DE L’IMAGE ET LE SUIVI VISUEL (THÈMES DE RECHERCHE DANS LESQUELS LE GROUPE DE LAMPES EST DÉJÀ IMPLIQUÉ MAIS QUI SERONT DÉSORMAIS CONSIDÉRÉS SOUS L’ANGLE D’UNE SEULE TÂCHE). (French)
4 December 2021
0 references
Cerdanyola del Vallès
0 references
Identifiers
TIN2016-79717-R
0 references