Aviso sobre el Uso de cookies: Utilizamos cookies propias y de terceros para mejorar la experiencia del lector y ofrecer contenidos de interés. Si continúa navegando entendemos que usted acepta nuestra política de cookies. Ver nuestra Política de Privacidad y Cookies
Tienes activado un bloqueador de publicidad

Intentamos presentarte publicidad respetuosa con el lector, que además ayuda a mantener este medio de comunicación y ofrecerte información de calidad.

Por eso te pedimos que nos apoyes y desactives el bloqueador de anuncios. Gracias.

Continuar...

Lunes, 4 julio 2011
Computación

Reconocimiento visual artificial 50.000 veces más eficaz

Detectar los bordes de los objetos es uno de los problemas principales de la visión por ordenador. Es algo que los humanos hacemos con facilidad: Con un breve vistazo a la calle, distinguimos perfectamente entre automóviles y peatones, o entre farolas y las fachadas de los edificios detrás de ellas. Sin embargo, está resultando extraordinariamente difícil dotar de esa habilidad a los ordenadores.

Uno de los mejores modos en que un ordenador puede determinar los bordes es hacer muchas conjeturas y luego comprobarlas. Los bordes que concuerden con la mayoría de las conjeturas tienen más posibilidades de haber sido obtenidos con precisión. Hasta ahora, ese proceso se ha caracterizado por consumir muchísimo tiempo.

Pero Jason Chang, del Departamento de Ingeniería Electrónica y Ciencia de la Computación, y John Fisher, del Laboratorio de Inteligencia Artificial y Ciencia de la Computación del MIT, han descubierto cómo hacer que sea al menos 50.000 veces más eficiente. Sus resultados podrían ayudar a mejorar los sistemas de obtención de imágenes médicas, de seguimiento de objetos en movimiento y de reconocimiento de objetos en 3D, entre otros.

Una de las razones por las que la detección de bordes (o segmentación de imágenes, como también se la conoce) resulta un problema tan difícil es que no hay una única respuesta correcta. Pida a 10 personas que dibujen los bordes de los objetos en una imagen digital, y lo más probable es que le den 10 dibujos diferentes. "Queremos un algoritmo que sea capaz de segmentar imágenes como lo hacemos los humanos", explica Chang. "Pero como los humanos segmentamos las imágenes de manera desigual, no debemos trabajar con una sola segmentación". Según Chang, debemos trabajar con bastantes segmentaciones diferentes, que representen la variabilidad humana en esa tarea.

[Img #3244]
Y eso es lo que han intentado hacer Chang y Fisher con su algoritmo. Como en otros casos, imitar a la naturaleza es un buen punto de partida para hacer diseños.


Copyright © 1996-2017 Amazings® / NCYT® | (Noticiasdelaciencia.com / Amazings.com). Todos los derechos reservados.
Depósito Legal B-47398-2009, ISSN 2013-6714 - Amazings y NCYT son marcas registradas. Noticiasdelaciencia.com y Amazings.com son las webs oficiales de Amazings.
Todos los textos y gráficos son propiedad de sus autores. Prohibida la reproducción total o parcial por cualquier medio sin consentimiento previo por escrito.
Excepto cuando se indique lo contrario, la traducción, la adaptación y la elaboración de texto adicional de este artículo han sido realizadas por el equipo de Amazings® / NCYT®.

Amazings® / NCYT® • Términos de usoPolítica de PrivacidadMapa del sitio
© 2018 • Todos los derechos reservados - Depósito Legal B-47398-2009, ISSN 2013-6714 - Amazings y NCYT son marcas registradas. Noticiasdelaciencia.com y Amazings.com son las webs oficiales de Amazings.
Powered by FolioePress