Proyectos del curso

Propuestas de proyecto para el curso Reconocimiento Visual con Deep Learning. Cada proyecto parte de un modelo y un dataset del laboratorio.

1. Mejorar codificadores de bocetos para recuperación, segmentación y generación

Con base en skDINOv3, evaluaremos diversas modificaciones del codificador con respecto a los datos de entrenamiento, las funciones de pérdida y la arquitectura. El nuevo codificador se evaluará en recuperación, segmentación y detección.

Objetivo general: proponer un codificador mejorado para boceto-fotografía.

Objetivos específicos:

  1. Evaluar codificadores existentes: skDINO y SketchFusion.
  2. Proponer mejoras sobre skDINO.
  3. Evaluar el modelo en segmentación y detección.
  4. Evaluar el codificador de bocetos en generación de imágenes guiada por bocetos.

Dataset · Modelo

2. Mejorar codificadores de imágenes para documentos históricos (detección y segmentación de patrones)

Generaremos un codificador multiescala mejorado para el procesamiento de documentos históricos, a partir de este artículo.

Objetivo general: proponer un codificador mejorado para la detección de patrones.

Objetivos específicos:

  1. Evaluar el codificador iDoc en recuperación.
  2. Proponer mejoras sobre iDoc.
  3. Evaluar el modelo en detección de patrones.
  4. Evaluar el codificador en generación de patrones.

Dataset · Modelo

3. Extender skDINO a la búsqueda de patrones en documentos históricos guiada por bocetos

En este proyecto propondremos un nuevo codificador que permita detectar patrones en documentos históricos a partir de bocetos.

Objetivo general: proponer un método de detección de patrones guiado por bocetos.

Objetivos específicos:

  1. Evaluar el codificador skDINO en recuperación.
  2. Proponer mejoras sobre skDINO para usarlo con patrones de documentos.
  3. Evaluar el modelo en detección de patrones usando bocetos.
  4. Evaluar el codificador en generación de patrones usando bocetos.

Dataset · Modelo

4. Mejorar el codificador de imágenes médicas para localizar estructuras anatómicas de grano fino en CT

Evaluaremos y propondremos un codificador de CT especializado en grano fino, basado en uno de nuestros trabajos recientes. Como aplicación, podemos considerar la segmentación de tumores pequeños.

Objetivo general: proponer un codificador mejorado para localizar estructuras de grano fino en CT.

Objetivos específicos:

  1. Evaluar codificadores existentes, incluido nuestro codificador de CT.
  2. Definir mejoras al codificador de CT.
  3. Evaluar el codificador en segmentación de tumores pequeños.
  4. Evaluar el codificador en generación de CT.

Dataset · Modelo

5. Mejorar codificadores de video con aplicaciones en comprensión de noticias

Evaluaremos y mejoraremos codificadores de video con aplicación en la descripción de noticias, a partir de uno de nuestros trabajos recientes.

Objetivo general: proponer un codificador de video mejorado.

Objetivos específicos:

  1. Evaluar codificadores existentes.
  2. Definir mejoras sobre el mejor codificador de video.
  3. Evaluar el modelo en videos cortos de noticias.
  4. Evaluar modelos de generación de video.

Dataset · Modelo