Ciclo de conferencias 'Investigadoras de prestigio' | Petia Radeva: 'Cómo el aprendizaje autosupervisado puede aprovechar el reconocimiento de alimentos de grano fino'

La llegada del aprendizaje profundo (Deep Learning, DL) ha dado lugar a un rendimiento sobrehumano en muchas tareas, como el reconocimiento de caras y labios o la detección de cáncer en imágenes médicas. Sin embargo, la clasificación sigue siendo un campo abierto en el caso de un gran número de clases en las que normalmente se producen grupos de clases con una confusión significativa (también conocido como reconocimiento de grano fino). Por otra parte, el DL se basa en métodos muy codiciosos que necesitan miles de imágenes cuya anotación es un proceso largo y tedioso. El aprendizaje autosupervisado pretende ofrecer formas eficientes de utilizar grandes cantidades de imágenes no anotadas para que los modelos de DL sean más robustos y precisos. En esta charla presentaremos nuestro trabajo sobre aprendizaje autosupervisado y reconocimiento de grano fino. Ilustraremos cómo el aprendizaje auto-supervisado y el reconocimiento de grano fino pueden ayudar a resolver problemas complejos de visión por computador como el reconocimiento de imágenes de alimentos donde las clases de alimentos tienen una variación muy alta, hay una gran similitud de clases de alimentos y hay grandes cantidades de imágenes de alimentos sin anotar.

Biografía

La profesora Petia Radeva es Catedrática de la Universitat de Barcelona (UB) y Directora del Grupo de Investigación Consolidado "Inteligencia Artificial y Aplicaciones Biomédicas (AIBA)" de la Universidad de Barcelona. Sus principales intereses se centran en el aprendizaje automático/profundo y la visión por ordenador y sus aplicaciones a la salud. Temas específicos de interés: aprendizaje profundo centrado en datos, modelado de incertidumbre, aprendizaje autosupervisado, aprendizaje continuo, aprendizaje con etiquetado ruidoso, aprendizaje multimodal, NeRF, reconocimiento de alimentos, ontología alimentaria, etc. Ha sido IP de la UB en 7 proyectos europeos, 3 internacionales y más de 25 nacionales dedicados a aplicar la Visión por Computador y el Aprendizaje Automático a problemas reales como la monitorización de la ingesta de alimentos (por ejemplo, para pacientes con trasplantes de riñón y para personas mayores). Ha supervisado a 24 estudiantes de doctorado y ha publicado más de 100 artículos en revistas científicas y 250 capítulos y actas internacionales. Su índice h en Google scholar es de 53 con más de 11300 citas. Es redactora jefe de la revista Pattern Recognition (Q1, IP=8.0). Es Directora de Investigación de la Agencia Estatal de Investigación (AEI) del Ministerio de Ciencia e Innovación de España.

Petia Radeva pertenece al 2% superior del ranking mundial de científicos con mayor impacto en el campo de las TIC según los indicadores de citas del popular  ranking de Stanford. Asimismo, fue seleccionada en el primer 6% del ranking de investigadoras españolas y extranjeras más citadas de cualquier campo según el Ranking del CSIC. Además, fue galardonada con el IAPR Fellow desde 2015, ICREA Academia'2015 e ICREA Academia'2022 asignada a los 30 mejores científicos de Cataluña por sus méritos científicos, recibió varios premios internacionales y nacionales ("Aurora Pons Porrata" del CIARP, Premio "Antonio Caparrós" a la mejor transferencia de tecnología en la UB, etc).