Glosario IA
El diccionario completo de la Inteligencia Artificial
Detección de Objetos Few-Shot
Una subdisciplina de la detección de objetos que tiene como objetivo entrenar modelos capaces de reconocer nuevas categorías de objetos utilizando un número muy limitado de ejemplos de entrenamiento, a menudo menos de diez por clase.
Aprendizaje por Métrica (Metric Learning)
Técnica que consiste en aprender una función de distancia o espacio de incrustación (embedding space) donde los objetos de la misma clase están cercanos y los de clases diferentes están alejados, facilitando la clasificación con pocos ejemplos.
Red de Prototipos (Prototype Network)
Modelo de metaaprendizaje que construye un 'prototipo' para cada clase haciendo el promedio de las características de los pocos ejemplos disponibles, luego clasifica una nueva instancia acercándola al prototipo más cercano.
Modelo de Correspondencia (Matching Network)
Arquitectura que utiliza un mecanismo de atención para comparar un nuevo ejemplo (consulta) con el conjunto de ejemplos de soporte, generando una predicción ponderada basada en la similitud de cada ejemplo de soporte.
Red de Relaciones (Relation Network)
Extensión de las redes de correspondencia que aprende explícitamente una función de similitud (módulo de relación) para medir el grado de relación entre una consulta y los ejemplos de soporte, en lugar de utilizar una distancia fija.
Ajuste Fino Basado en Soporte (Support-Based Fine-Tuning)
Estrategia donde un modelo pre-entrenado en un gran conjunto de datos base es rápidamente re-entrenado (fine-tuned) en el muy pequeño conjunto de datos de soporte (few-shot) para adaptarse a las nuevas clases.
Espacio de Incrustación (Embedding Space)
Representación vectorial de baja dimensión donde los objetos son proyectados, diseñada de manera que la distancia entre los vectores refleje la similitud semántica o visual de los objetos, crucial para la clasificación con pocos ejemplos.
Pérdida Contrastiva (Contrastive Loss)
Función de pérdida utilizada en aprendizaje por métrica que minimiza la distancia entre los pares de ejemplos de la misma clase (anclas y positivos) mientras maximiza la distancia con respecto a los ejemplos de clases diferentes (negativos).
Pérdida Triplete (Triplet Loss)
Función de pérdida que opera sobre tripletas de ejemplos (un ancla, un positivo de la misma clase, un negativo de una clase diferente) para aprender un espacio de incrustación donde la distancia ancla-positivo es más pequeña que la distancia ancla-negativo por un cierto margen.
Detección sin Cajas (Box-Free Detection)
Paradigma alternativo en el few-shot que se centra en la clasificación de la presencia de objetos en una región sin predecir cajas delimitadoras precisas, simplificando así la tarea cuando los datos son extremadamente limitados.
Aprendizaje por Refuerzo para Few-Shot
Uso de algoritmos de aprendizaje por refuerzo para optimizar el proceso de aprendizaje few-shot, por ejemplo aprendiendo una política para seleccionar los ejemplos de soporte más relevantes o para ajustar el modelo.
Reponderación de Clases (Class Re-weighting)
Técnica que ajusta la contribución de cada clase en la función de pérdida para contrarrestar el desequilibrio extremo entre las clases base (numerosas) y las clases nuevas (raras) en un contexto de detección few-shot.
Detección de Objetos de Un Solo Ejemplo (One-Shot Object Detection)
Caso extremo del few-shot donde el modelo debe aprender a detectar una nueva clase de objetos a partir de un único ejemplo etiquetado, representando un desafío importante en términos de generalización.
Detección de Objetos de Cero Ejemplo (Zero-Shot Object Detection)
Escenario aún más ambicioso que el few-shot, donde el modelo debe detectar clases de objetos para las cuales no ha recibido ningún ejemplo visual, basándose únicamente en descripciones semánticas (por ejemplo, atributos o texto).