Resumen

En los últimos años se ha demostrado que los métodos de aprendizaje profundo superan a las técnicas de aprendizaje automático más avanzadas en varios campos, siendo la visión por ordenador uno de los casos más destacados. Este artículo de revisión proporciona una breve visión general de algunos de los esquemas de aprendizaje profundo más significativos utilizados en los problemas de visión por ordenador, es decir, las redes neuronales convolucionales, las máquinas de Boltzmann profundas y las redes de creencia profundas, y los autocodificadores de denostación apilados. Se presenta una breve reseña de su historia, estructura, ventajas y limitaciones, seguida de una descripción de sus aplicaciones en diversas tareas de visión por ordenador, como la detección de objetos, el reconocimiento de caras, el reconocimiento de acciones y actividades, y la estimación de la postura humana. Por último, se ofrece una breve visión general de las direcciones futuras en el diseño de esquemas de aprendizaje profundo para los problemas de visión por ordenador y los retos que conlleva.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:esquema de aprendizaje profundo, problema de visión por ordenador, breve resumen, métodos de aprendizaje profundo, red neuronal convolucional, tarea de visión por ordenador, estimación de la pose humana, superación del estado anterior, autocodificadores de eliminación de ruido apilados, red de creencias profundas
• Keywords:deep learning scheme, computer vision problem, brief overview, deep learning methods, convolutional neural network, computer vision task, human pose estimation, outperform previous state, stacked denoising autoencoders, deep believes network