Lucía Benítez

propuesta: Diego González

Se tienen imágenes que se utilizaron para identificar si los operarios se encontraban usando sus guantes de seguridad. Hay tres conjuntos grandes de datos, distinguiendo mañana(M), tarde(T) y noche(N). En cada uno de ellos, hay otras dos carpetas, que identifican al operario de lejos y de cerca, ambos con conjunto de entrenamiento y de test.

Este tema es interesante porque...

es una aplicación de Object Detection, un proceso del área de Computer Vision. La aplicación final sería utilizar dichas imágenes para entrenar una red neuronal para la detección de guantes en videos. Es a la vez, un desafío, ya que las imágenes entran en la categoría de ‘datos no estructurados’ por lo que la mayoría de los métodos que aprenderán a lo largo de la Diplomatura deberán ser adaptados para esta clase de datos.

Trataremos de responder algunas de las siguientes preguntas:

¿Cómo realizar una exploración de datos en imágenes?

¿Cómo distinguir un objeto del fondo?

¿En qué se diferencia un enfoque clásico de procesamiento de imágenes vs redes convolucionales (CNN) para visión por computadora?

Los datos: Si querés inspeccionar el conjunto de datos, lo encontrarás en: (https://github.com/diegobcuadro/dataset_ManosyGuantes)

Hitos de la mentoría

22/6 práctico de análisis y visualización: que consistirá en explorar las imágenes y extraer características con métodos tradicionales de procesamiento de imágenes. Con esto se elaborará una tabla de features, con su posterior análisis.

19/7 práctico de análisis y visualización, que consistirá en aplicar diferentes filtros y extraer características de las imágenes con CNN, visualizando los diferentes filtros. Hacer comparación entre ambos métodos de extracción de características.

16/8 práctico de introducción al aprendizaje automático, que consistirá en distinguir diferentes horarios del día (mañana, tarde o noche) y/o en distinguir manos o guantes, posiblemente con la tabla de características hallada en el 1er práctico con métodos tradicionales, sumando una columna con las clases.

13/9 práctico de aprendizaje supervisado, que consistirá en aplicar redes para la clasificación de dichas imágenes, separadas en carpetas.

27/9 práctico de aprendizaje no supervisado, que consistirá en aplicar métodos de clustering para que las imágenes se agrupen según características en común.

6/11/2020 – 7/11/2020 presentación de mentorías