European Commission logo
español español
CORDIS - Resultados de investigaciones de la UE
CORDIS

Visual perception in deep neural networks

Article Category

Article available in the following languages:

La visión artificial está más cerca gracias a la modelización humana

Si las máquinas van a ver de verdad algún día, puede que el proceso empiece gracias a la modelización del funcionamiento de un encéfalo real que está realizando un equipo de la Unión Europea.

Economía digital icon Economía digital

La visión humana es resultado de procesos neurológicos muy complejos construidos a través de una colección de módulos encefálicos especializados, pero relativamente simples, que actúan de manera conjunta. En los ordenadores, es posible duplicar algo parecido, otorgándoles así un tipo de visión. Esta aplicación no es nueva y se ha probado en varios sectores, desde sistemas de seguridad hasta vehículos espaciales y coches autónomos. Sin embargo, estos sistemas son limitados y pueden fallar en situaciones nuevas. Por ejemplo, si un coche autónomo no dispone de datos visuales sobre los desiertos, puede tener problemas para aplicar su conocimiento sobre los paisajes urbanos a ese entorno. En ese caso, el vehículo podría confundirse y cometer errores. Para conseguir una visión artificial verdaderamente fiable y autónoma aún falta mucho camino por recorrer. Aparte de las aplicaciones obvias en máquinas, el estudio de la visión artificial también mejora la comprensión del funcionamiento de la visión humana. El proyecto DEEPCEPTION, financiado con fondos europeos y realizado con el apoyo del programa Marie Skłodowska-Curie, ha abordado los dos aspectos del problema. Los investigadores del proyecto desarrollaron modelos de visión artificial que emulan e ilustran los procesos del encéfalo humano.

Redes neuronales profundas

Las redes neuronales se inspiran en sistemas biológicos, en los que una red de procesadores informáticos funciona de forma parecida a las neuronas (células cerebrales). Dichas redes utilizan algoritmos para reconocer patrones sin una programación específica para hacerlo. Una «red neuronal profunda», en la que se basa el concepto del proyecto, se parece a eso, pero implica muchas capas de procesamiento y está entrenada para esa tarea concreta. DEEPCEPTION enseñaba a los ordenadores a reconocer objetos a partir de fotografías. Los investigadores compararon las respuestas de la red neuronal profunda con las de los encéfalos reales de primates (de mono y humano) al ver las mismas imágenes. «Si el modelo informático representa el proceso biológico real con precisión, las respuestas de la red neuronal y el encéfalo deberían coincidir», explica Jonas Kubilius, jefe del proyecto. El equipo de la investigación creó un conjunto de pruebas de rendimiento que permitirían evaluar y cuantificar el nivel de coincidencia de estos procesos. La comparativa integradora neuronal y conductual del equipo, llamada Brain-Score, es el más grande del mundo hasta la fecha. Gracias a la información obtenida a partir de esta comparación, los investigadores construyeron un modelo informático, denominado CORnet, que tuvo una puntuación alta en las pruebas de rendimiento.

El modelo más preciso

En la actualidad, hay pocos modelos de visión humana que puedan predecir la respuesta neuronal o conductual con precisión. El modelo de DEEPCEPTION superó a los sistemas de visión artificial más complicados y se asemeja mucho a los conocimientos actuales más avanzados sobre cómo funciona el reconocimiento de objetos en el sistema visual de los primates. Kubilius añade: «Me enorgulleció mucho que nuestro modelo pudiese predecir respuestas neuronales en un conjunto de datos completamente nuevo. Estas pruebas en datos nuevos son un medio riguroso de falsificación de modelos». Si un modelo no puede predecir nada más allá de los datos para los que ha sido entrenado, significa que el modelo no representa una comprensión real. Sin embargo, si un modelo hace buenas predicciones en un conjunto de datos completamente nuevo, es una señal positiva de que el modelo es preciso. El proyecto produjo un modelo mejorado de la visión de los primates. Aunque DEEPCEPTION no tenía objetivos comerciales, las herramientas que desarrolló ayudarán a sus propios investigadores y a otros a desarrollar modelos aún más precisos.

Palabras clave

DEEPCEPTION, visión, red neuronal, máquina, red neuronal profunda, primate, visión artificial, modelización, encéfalo humano, Brain-Score, CORnet

Descubra otros artículos del mismo campo de aplicación