Ingeniería

Modelo informático imita procesos neurales en el reconocimiento de objetos

(NC&T) Este logro fue alcanzado en el MIT, por Tomaso Poggio, Thomas Serre y otros investigadores.

Las aplicaciones a corto plazo incluyen estudios poblacionales y asistencia para conductores de automóviles. A largo plazo, las aplicaciones podrían incluir máquinas de búsqueda visual, análisis biomédico de imágenes, y robots con visión realista. En el campo de las neurociencias, esta investigación resulta esencial para el diseño de prótesis sensoriales mejoradas, como las capaces de reproducir el procesamiento que normalmente depende del paso a través de los nervios dañados en la retina.

Teniendo un buen modelo de cómo trabaja el cerebro humano, sería posible para los científicos alterarlo con el fin de reproducir una lesión cerebral y poder así estudiarla mejor. Una alteración cerebral que involucra distorsiones de la percepción visual es la esquizofrenia, pero nadie conoce aún las bases neurobiológicas de estas distorsiones.

El equipo "mostró" al modelo imágenes aleatoriamente seleccionadas, de manera que éste pudiera "aprender" a identificar detalles de aparición común en los objetos del mundo real, como los árboles y las personas. Durante estas sesiones de entrenamiento, el modelo empleó estas características para clasificar en categorías ejemplos de objetos presentes en fotografías digitales de panorámicas urbanas, tales como edificios y automóviles.

Reconocimiento informático de objetos
De izquierda a derecha, Tomaso A. Poggio, Thomas Serres y Stanley Bileschi. (Foto: Donna Coveney)
Comparado con los sistemas tradicionales de visión computerizada, el modelo biológico es sorprendentemente versátil. Los sistemas tradicionales son diseñados para clases específicas de objetos. Por ejemplo, los sistemas desarrollados para detectar rostros o reconocer texturas son pobres detectores de automóviles. En el modelo biológico, el mismo algoritmo puede aprender a detectar muy diferentes tipos de objetos.

Para probar el modelo, el equipo de investigadores presentó escenas de calles transitadas que constaban de ejemplos previamente no mostrados en la base de datos de panoramas urbanos. El modelo escaneó la escena, y, basándose en su entrenamiento, reconoció los objetos en la escena. Es decir, que fue capaz de aprender de los ejemplos, lo cual, según Poggio, es el sello de la inteligencia artificial.

Enseñar a un ordenador a reconocer objetos ha sido siempre muy difícil porque éste necesita crear para cada uno en particular una representación que es muy específica, como lo es la de un caballo frente a la de una vaca o a la de un unicornio, y, al mismo tiempo, la representación debe ser lo bastante flexible como para descartar cambios irrelevantes, como los de las poses, la iluminación y otras variaciones en la apariencia.

Incluso el cerebro de un niño maneja estas tareas contradictorias con facilidad durante el reconocimiento rápido de objetos. La información entra desde la retina y pasa a través de la arquitectura jerárquica de la corteza visual. Lo que convierte al modelo del laboratorio de Poggio en algo tan innovador y potente es que, computacionalmente hablando, imita a la propia jerarquía del cerebro. En concreto, las "capas" dentro del modelo reproducen la manera, registrada en estudios de laboratorio, en que las neuronas procesan los estímulos de entrada y salida.


Más artículos
Convertir calor en electricidad
Detectores fatiga de materiales
Hidrógeno como combustible
Economía de combustible
Salamandra robótica
Submarino robótico
Avión de pila
Gas natural líquido
Membranas invisibles
Nanocables torcidos
Reconocimiento informático de objetos
Nanoelectrodos para sondear
Alfabeto micrométrico
Micromanipulador para micromáquinas
Detector sucedáneos armas químicas
Gafas inteligentes
Hiperlentes ópticas
Luces de freno
Frecuencias de comunicaciones
Camuflaje óptico invisible