Métodos de aprendizaje profundo para la súper-resolución y segmentación semántica de imágenes

Abstract

En este proyecto hemos explorado la complementariedad de dos importantes tareas del campo de la visión artificial, como son la súper-resolución y la segmentación semántica. Nuestra hipótesis de partida es que ambas tareas requieren de habilidades parecidas, por lo que las arquitecturas modernas propuestas para cada una de ellas, deberían ser buenas soluciones para la otra tarea. Para validar esta hipótesis, hemos seleccionado una arquitectura típica de segmentación semántica y hemos medido su desempeño en la tarea de súper-resolución. También hemos repetido el mismo procedimiento al revés. Los resultados obtenidos nos muestran que, en efecto, una red diseñada para segmentación semántica obtiene buenos resultados en súper-resolución, y viceversa. Por ello, en este proyecto proponemos una única red multi-tarea que es capaz de realizar las dos tareas simultáneamente, alcanzando resultados comparables a las arquitecturas diseñadas específicamente para cada una de las tareas.