Cómo los algoritmos de aprendizaje profundo crean imágenes precisas sin un conjunto de datos completo

La velocidad de recogida de datos en muchos tipos de tecnologías de imagen, incluida la IRM, depende del número de muestras que tome la máquina. Cuando el número de muestras recogidas es pequeño, se puede utilizar una “red” neural profunda para eliminar el ruido y los artefactos visuales resultantes.

La tecnología funciona, pero no existe un marco teórico estándar -una teoría completa- para describir por qué funciona.

En un documento presentado en la conferencia NeurIPS a finales de 2021, Ulugbek Kamilov, de la Escuela de Ingeniería McKelvey de la Universidad de Washington en San Luis, y sus coautores, trazaron un camino hacia un marco claro. Kamilov es profesor adjunto del Departamento de Ingeniería Eléctrica y de Sistemas Preston M. Green y del Departamento de Ciencias e Ingeniería Informática.

Los hallazgos de Kamilov demuestran, con algunas restricciones, que una red neuronal profunda puede obtener una imagen precisa a partir de muy pocas muestras si la imagen es del tipo que puede ser representado por la red.

El hallazgo es un punto de partida hacia una comprensión sólida de por qué la IA de aprendizaje profundo es capaz de producir imágenes precisas, afirmó Kamilov. También tiene el potencial de ayudar a determinar la forma más eficiente de recoger muestras y seguir obteniendo una imagen precisa.

[content-egg module=Youtube template=custom/simple]

Alberto Berrios

Alberto Berrios

Escribo sobre productos relacionados con el audio desde pequeños altavoces inalámbricos hasta grandes sistemas Hi-Fi. No comparo estos productos con otros, sino que muestro los puntos fuertes y débiles de cada dispositivo separado. Si quieres saber si un determinado producto merece la pena, ¡consulta una de mis reseñas antes de hacer la compra! Gracias por leer, hasta la próxima.

Elenbyte
Logo
Comparar artículos
  • Total (0)
Comparar
0