Object Detection using Neural Networks

Abstract

El entrenamiento automático es una técnica empleada para dotar de “inteligencia” a las máquinas, mediante el empleo de algoritmos que modifiquen sus parámetros en función de una serie de datos procedentes de un entrenamiento; lo que permitirá a este mismo la toma de decisiones en función de los resultados obtenidos de estos algoritmos. Dentro de las diferentes técnicas de aprendizaje automático, una de las más conocidas es el empleo de las redes neuronales artificiales. La definición y creación de estas nace de la constante búsqueda de la comunidad científica sobre el funcionamiento del cerebro humana, y el intento de recreación de este, obteniendo resultados muy atractivos, pero los cuales aún quedan lejos de la capacidad de computación real de los humanos. El funcionamiento de estas, parte de un objeto o entidad de entrada, la cual será procesada a través de una serie de parámetros, con el fin de obtener un resultado de salida que defina la solución sobre la tarea asignada. Para conseguir obtener estos parámetros, se parte de un conjunto de datos conocido de entrenamiento, a partir del cual se genera un error sobre la tarea asociada que será transmitido a través de la red para la modificación de estos. Estas redes presentan diferentes tipos de metodologías y arquitecturas las cuales las hacen más eficaces para algunas tareas, como pueden ser las redes neuronales convolucionales, que establecen un tratamiento espacial de los datos de entrada que permite un mejor resultado sobre tareas asociadas al tratamiento de imágenes. Para el desarrollo de estas redes, es posible su descripción matemática y su implementación en código, aún que también existen numerosos framework para realizar su creación y entrenamiento que permiten obtener resultados mucho más optimizados.

Machine Learning is a group of techniques developed to give a computer the ability to think, using algorithm trained with data associated with the target task to be performed, allowing this computer to take decisions based in the “experience”. One of the most knows algorithm in Machine Learning is Artificial Neural Network. The definition and creation of these comes from the constant search of the scientific community on how the human brain works, and the attempt to recreate it. In this algorithm, the input information is processed by interconnected units called neurons, which returns an output that is processed again by other units, repeating this process until this stimulus reach the output of the network. Given the correct architecture and parametrization, this algorithm allows to almost solve every daily problem, such as recognizing faces, numbers or noises. To get the correct parametrization, this algorithm is trained with labelled data, and the output error is rolled back to the neurons to change those parameters in order to improve the accuracy on the target task. There are multiple types of ANNs, designed to improve the performance in specifics contexts, such as image detection or text recognition among others. One of those algorithmsis called Convolutional Neuronal Networks, as it makes use of the mathematical property called convolution, in order to allow the training to take consideration of the data spatial distribution, making them especially useful for image recognition. This kind of networks have been highly developed in the recent years, leading to multiples frameworks and libraries with high accuracy results, such as TensorFlow or PyTorch.