{"id":20452,"date":"2023-05-24T03:02:54","date_gmt":"2023-05-24T03:02:54","guid":{"rendered":"https:\/\/domosistemas.com\/?p=20452"},"modified":"2023-05-24T03:02:54","modified_gmt":"2023-05-24T03:02:54","slug":"el-mit-y-adobe-research-desarrollan-una-tecnica-para-identificar-el-tipo-de-material-de-una-imagen","status":"publish","type":"post","link":"https:\/\/domosistemas.com\/?p=20452","title":{"rendered":"El MIT y Adobe Research desarrollan una t\u00e9cnica para identificar el tipo de material de una imagen"},"content":{"rendered":"
\n

Identificar objetos en una escena que est\u00e1n compuestos del mismo material, conocido como selecci\u00f3n de materiales, es un problema especialmente desafiante para las m\u00e1quinas basadas en inteligencia artificial porque la apariencia de un material puede variar dr\u00e1sticamente seg\u00fan la forma del objeto o las condiciones de iluminaci\u00f3n. Para resolver este problema, un grupo de cient\u00edficos del Instituto Tecnol\u00f3gico de Massachussets (MIT<\/a>) y Adobe Research han desarrollado una t\u00e9cnica que puede identificar todos los p\u00edxeles en una imagen que representa un material determinado, que se muestra en un p\u00edxel seleccionado por el usuario.<\/p>\n

\"M\u00e9todo
El m\u00e9todo identifica todos los materiales que sean iguales a partir de un p\u00edxel seleccionado por el usuario.<\/figcaption><\/figure>\n

El m\u00e9todo ofrece un enfoque de aprendizaje autom\u00e1tico que eval\u00faa din\u00e1micamente todos los p\u00edxeles de una imagen para determinar las similitudes de materiales entre un p\u00edxel que selecciona el usuario y todas las dem\u00e1s zonas de la imagen. Si una imagen contiene una mesa y dos sillas, y las patas de la silla y el tablero est\u00e1n hechos del mismo tipo de madera, su modelo podr\u00eda identificar con precisi\u00f3n esas zonas similares.<\/p>\n

Antes de que los investigadores pudieran desarrollar un m\u00e9todo de inteligencia artificial (IA) para aprender a seleccionar materiales similares, tuvieron que superar algunos obst\u00e1culos. En primer lugar, ning\u00fan conjunto de datos existente conten\u00eda materiales que estuvieran etiquetados con la precisi\u00f3n suficiente para entrenar su modelo de aprendizaje autom\u00e1tico. Los investigadores generaron su propio conjunto de datos sint\u00e9ticos de escenas interiores, que inclu\u00eda 50.000 im\u00e1genes y m\u00e1s de 16.000 materiales aplicados aleatoriamente a cada objeto.<\/p>\n

Entrenamiento del modelo de aprendizaje autom\u00e1tico<\/h2>\n

Con el conjunto de datos sint\u00e9ticos, entrenaron un modelo de aprendizaje autom\u00e1tico para la tarea de identificar materiales similares en im\u00e1genes reales, cuyo resultado no funcion\u00f3. Los investigadores optaron por construir su modelo sobre un modelo de visi\u00f3n por computadora previamente entrenado, que ha visto millones de im\u00e1genes reales. Utilizaron el conocimiento previo de ese modelo aprovechando las caracter\u00edsticas visuales que ya hab\u00eda aprendido.<\/p>\n

El modelo de los investigadores transforma las caracter\u00edsticas visuales gen\u00e9ricas preentrenadas en caracter\u00edsticas espec\u00edficas del material, y lo hace de una manera que es robusta para las formas de los objetos o las condiciones de iluminaci\u00f3n variadas.<\/p>\n

De esta forma, el modelo puede calcular una puntuaci\u00f3n de similitud de material para cada p\u00edxel de la imagen. Cuando un usuario hace clic en un p\u00edxel, el modelo determina c\u00f3mo de cerca en apariencia est\u00e1 cada otro p\u00edxel de la consulta. Produce un mapa donde cada p\u00edxel se clasifica en una escala de 0 a 1 por similitud.<\/p>\n

Dado que el modelo genera una puntuaci\u00f3n de similitud para cada p\u00edxel, el usuario puede ajustar los resultados estableciendo un umbral, como el 90% de similitud, y recibir un mapa de la imagen con esas zonas resaltadas. El m\u00e9todo tambi\u00e9n funciona para la selecci\u00f3n de im\u00e1genes cruzadas: el usuario puede seleccionar un p\u00edxel en una imagen y encontrar el mismo material en una imagen separada.<\/p>\n

Resultados de los experimentos<\/h2>\n

Durante los experimentos, los investigadores descubrieron que su modelo pod\u00eda predecir zonas de una imagen que conten\u00edan el mismo material con mayor precisi\u00f3n que otros m\u00e9todos, obteniendo como resultado aproximadamente un 92% de precisi\u00f3n.<\/p>\n

Adem\u00e1s de las aplicaciones en la comprensi\u00f3n de escenas para la rob\u00f3tica, este m\u00e9todo podr\u00eda usarse para la edici\u00f3n de im\u00e1genes o incorporarse a sistemas computacionales que deduzcan los par\u00e1metros de los materiales en las im\u00e1genes. Tambi\u00e9n podr\u00eda utilizarse para sistemas de recomendaci\u00f3n web basados \u200b\u200ben materiales.<\/p>\n

La entrada El MIT y Adobe Research desarrollan una t\u00e9cnica para identificar el tipo de material de una imagen<\/a> aparece primero en CASADOMO<\/a>.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Identificar objetos en una escena que est\u00e1n compuestos del mismo material, conocido como selecci\u00f3n de materiales, es un problema especialmente desafiante para las m\u00e1quinas basadas en inteligencia artificial porque la apariencia de un material puede variar dr\u00e1sticamente seg\u00fan la forma del objeto o las condiciones de iluminaci\u00f3n. Para resolver este problema, un grupo de cient\u00edficos … Sigue leyendo El MIT y Adobe Research desarrollan una t\u00e9cnica para identificar el tipo de material de una imagen<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-20452","post","type-post","status-publish","format-standard","hentry","category-casadomo-com"],"_links":{"self":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/20452","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=20452"}],"version-history":[{"count":0,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/20452\/revisions"}],"wp:attachment":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=20452"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=20452"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=20452"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}