Aprender con pocos ejemplos: del sobreajuste a la detección de objetos few-shot
Seminario de Ciencia de Datos e Inteligencia Artificial
Dr. Sergio Rodolfo Cruz Gómez
- Departamento de Matemáticas, Facultad de Ciencias, UNAM
08 SEP 2026
15:00 h.
Sala de seminarios S-104 del Departamento de Matemáticas
Transmisión: @matefcunam_oficial
¿Cuánto necesita ver una red neuronal para reconocer algo nuevo? Un niño aprende qué es un pangolín con una sola foto; un detector de objetos convencional necesita miles de cajas anotadas. En esta sesión veremos por qué las CNN sobreajustan cuando los datos escasean, por qué el ajuste fino no basta, y cómo el aprendizaje con pocos ejemplos resuelve el problema. Tomaremos como caso de estudio Few-shot Object Detection via Feature Reweighting (Kang et al., ICCV 2019) y cerraremos con sus ecos en segmentación, generación de imágenes y los modelos de vocabulario abierto actuales.
Informes: https://victormijangosdelacruz.github.io/SeminarioIA/page/programa.html