La visión por computadora es el subcampo de la inteligencia artificial que se ocupa de permitir que las máquinas extraigan información significativa de imágenes y videos, incluyendo el reconocimiento de objetos, la comprensión de escenas, el seguimiento de movimiento y, en aplicaciones generativas, la producción de nuevo contenido visual. Se basa en el aprendizaje automático, el procesamiento de señales y la geometría, y ha sido uno de los bancos de pruebas más consistentemente productivos para la investigación en aprendizaje profundo.
Historia
La visión por computadora temprana, desde los años 1960 hasta los 2000, dependía de características diseñadas manualmente, detectores de bordes y modelos geométricos creados por investigadores, combinados con clasificadores clásicos de aprendizaje automático. El progreso era lento y el rendimiento en imágenes del mundo real seguía siendo limitado. El cambio definitorio del campo llegó con el conjunto de datos ImageNet, publicado en 2009, y la competencia anual ILSVRC construida en torno a él, que proporcionó a los investigadores un punto de referencia grande y estandarizado para el reconocimiento de objetos. En 2012, AlexNet, una red neuronal convolucional entrenada en GPUs, ganó ILSVRC por un amplio margen, un evento que a menudo se cita como el inicio de la era moderna del aprendizaje profundo, discutido más a fondo en la entrada sobre ImageNet 2012 (AlexNet moment). Las redes convolucionales dominaron el campo durante la década siguiente.
Tareas principales
Las tareas clásicas de visión por computadora incluyen la clasificación de imágenes, que asigna una etiqueta a una imagen; la detección de objetos, que localiza y etiqueta múltiples objetos dentro de una imagen; la segmentación semántica y de instancias, que etiqueta cada píxel por categoría o instancia de objeto; y la estimación de pose. Las tareas de video añaden el seguimiento de objetos a través de fotogramas y el reconocimiento de acciones a lo largo del tiempo. Cada tarea históricamente requería arquitecturas especializadas, aunque los modelos de visión basados en transformadores posteriores unificaron cada vez más varias tareas bajo backbones compartidos.
De las CNNs a los transformadores
Las redes convolucionales siguieron siendo la arquitectura dominante hasta mediados de la década de 2010, con diseños progresivamente más profundos y eficientes. A partir de alrededor de 2020, los investigadores adaptaron la arquitectura del transformador, desarrollada originalmente para el procesamiento del lenguaje natural, a las imágenes tratando una imagen como una secuencia de parches, un enfoque conocido como Vision Transformer. Los modelos de visión basados en transformadores demostraron ser competitivos o superiores a las CNNs a escala y se volvieron más fáciles de combinar con texto, contribuyendo al auge de los modelos de visión y lenguaje como CLIP, que aprende una representación compartida para imágenes y subtítulos.
Visión generativa y multimodal
Desde principios de la década de 2020, la visión por computadora se superpone cada vez más con el modelado generativo: las redes generativas antagónicas y, posteriormente, los modelos de difusión hicieron posible no solo interpretar imágenes sino también producirlas, impulsando sistemas de texto a imagen y de texto a video. Los modelos de visión y lenguaje integrados en sistemas de propósito general extendieron la visión por computadora desde tareas de reconocimiento limitadas hacia la respuesta a preguntas visuales de tipo abierto y el razonamiento sobre imágenes como parte de la IA multimodal.
Aplicaciones y preocupaciones
La visión por computadora sustenta el reconocimiento facial, el análisis de imágenes médicas, la percepción de vehículos autónomos, la inspección de calidad industrial y la moderación de contenido, entre muchos otros usos. Su implementación ha atraído un escrutinio sobre el sesgo algorítmico, particularmente las disparidades de precisión documentadas en el reconocimiento facial entre grupos demográficos, y sobre los usos de vigilancia que plantean preocupaciones sobre libertades civiles, alimentando debates más amplios sobre los usos aceptables de la tecnología.