Title: Multioutput Gaussian Processes

Resume: This talk will focus on the multioutput extension of Gaussian processes (GP), referred to as Multioutput Gaussian processes (MOGP). Akin to their scalar-valued counterpart, MOGPs are Bayesian nonparametric generative models for time series, which, in addition to modelling temporal dependencies among data, also account for across-channel relationships. In this regard, the main challenge in MOGPs is the construction of covariance functions that are as capable as possible to identify relationships among different time series while fulfilling the structural properties (e.g., positive definiteness) of the full multioutput covariance. We will start with a motivation for MOGPs and they can be constructed by mixing independent GPs, then, we will revise standard approaches to covariance design and their implications. Lastly, we will present dedicated software for MOGPs with examples and real-world applications.

Biography: http://www.dim.uchile.cl/~ftobar/

Title: “Logmeter: un sistema de medición automática industrial. Generación de modelos predictivos para el volumen sólido de madera y algoritmos de clasificación que incorporan una alta componente de visión en tiempo real”

Resume: Logmeter es un sistema automático que usa tecnología Laser Lidar para estimar el volumen y las variables biométricas de la madera apilada siendo transportada en camiones. Este sistema se basa en generación de nubes de puntos 3D y en algoritmos matemáticos avanzados para calcular el volumen. Luego, usando metodologías de Machine Learning se construyen modelos predictivos para estimar o predecir el volumen sólido de cada camión. Los modelos predictivos logran relacionar las variables biométricas estimadas automáticamente por el Logmeter con un volumen sólido utilizado como referencia. En el trabajo que se presentará aquí, el volumen sólido de referencia está estimado usando una metodología basada en las fórmulas de Arquímedes. Los resultados obtenidos hasta ahora muestran un sistema capaz de predecir el volumen sólido en forma automática con un intervalo de confianza cercano al +-10% (intervalo al 95%) a nivel de banco y +-7% a nivel de camión. Estos resultados muestran la precisión y exactitud del sistema Logmeter y reafirma su posición como estado del arte en medición automática de volumen sólido de madera. La evolución del sistema Logmeter considera la utilización de visión artificial en tiempo real con el objetivo de realizar un conteo de la carga durante el paso del camión para condiciones lumínicas y ambientales de una faena forestal. Para esto, se utilizó la red convolucional YOLO, capaz de segmentar múltiples objetos en imágenes. Adicionalmente, se trabajó en generar un sistema de iluminación y control de cámaras que permitiera el correcto funcionamiento durante las 24 horas del día. Luego de realizar un entrenamiento con múltiples condiciones lumínicas, ambientales y de carga del camión, se incorporó un sistema de selección de conteo para cada banco. La implementación actual logra contar los troncos totales con un error de 0.35% y de 2.38% en la evaluación por banco. En suma, en este tutorial se detallan dos aproximaciones de utilización de técnicas de Machine Learning que permiten estimar variables de faenas forestales en condiciones reales .

Marie González Biography: Ingeniera eléctrica con Magíster en ciencias de la Ingeniería de la Universidad Católica de Chile, con especialización en procesamiento de señales. He desarrollado investigación y desarrollo con foco en la aplicación de técnicas de visión computacional, inteligencia de máquina y reconocimiento de patrones en áreas diversas, que incluyen sistemas con aplicaciones industriales y artísticas. Actualmente me desempeño como ingeniera de desarrollo en Woodtech S.A., donde mi trabajo se ha enfocado en el desarrollo de sistemas de medición para procesos de la industria forestal, mediante el uso de técnicas de visión artificial en tiempo real.

Carlos Molina Biography: Doctor en Ingeniería eléctrica de la Universidad de Chile. Durante mi desarrollo académico mi focalización estuvo en reconocimiento de patrones, aprendizaje de máquinas, procesamiento de señales y tecnologías de la comunicación e información. Mi trabajo específico estuvo centrado en las tecnologías del habla, en particular en el campo del reconocimiento de voz robusto y también en el aprendizaje de segundo idioma usando procesamiento de voz. En mi estadía como investigador de la Universidad de Chile, mi experiencia se vio significativamente incrementada tanto en el ámbito académico como en el área de las ciencias aplicadas, trabajando en investigaciones multidisciplinarias y liderando equipos de desarrollos donde fue posible alcanzar interesantes desarrollos en el campo de las telecomunicaciones y el reconocimiento de patrones, consiguiendo además, importantes financiamientos estatales y privados. En el presente, trabajo como líder del equipo de desarrollo en la empresa Woodtech en donde la mayor parte del tiempo estamos dedicados a desarrollar software con una alta componente tecnológica en procesamiento de imágenes, nubes de puntos 3D, etc., particularmente para la industria forestal, tanto nacional como internacional.

Title: “Las redes neuronales convolucionales en la sociedad de la Inteligencia Artificial”

Resume:En la actualidad, las redes neuronales convolucionales o CNN, enmarcadas en el paradigma de Deep Learning, toman cada vez más relevancia en el camino hacia la sociedad de la Inteligencia Artificial (IA), donde es necesario resolver problemas que involucran el tratamiento de grandes volúmenes de datos y su análisis. Esto obliga a desarrollar modelos más complejos que permitan manejar conceptos de alto nivel de abstracción. En este contexto, las CNN son una herramienta poderosa que permite desarrollar diversas aplicaciones que impactan en nuestras sociedades, desde aquellas que monitorean aspectos medioambientales, por ejemplo a través de la clasificación de imágenes satelitales, hasta otras vinculadas a la salud, como el diagnóstico de enfermedades respiratorias y COVID-19 en Radiología, entre muchas otras. Este tutorial tiene el objetivo de presentar las CNN y su relevancia en la actualidad. Se describirá el contexto que las convierte en una herramienta fundamental, el paradigma al que pertenecen dentro de la IA, sus principales características y estructura, aspectos a ser considerados en el entrenamiento, arquitecturas representativas, aspectos de implementación incluyendo transfer learning, ejemplos prácticos y aplicaciones en general.

Biography: Leticia Seijas has received her Ph.D. in Computer Science at Universidad de Buenos Aires (UBA), Argentina (2011). She is Professor in Computer Engineering and Informatics at Universidad Nacional de Mar del Plata (UNMDP), Argentina, since 2017. Researcher at Institute of Scientific and Technological Research in Electronics ICYTE-CONICET/UNMDP. Main research areas: Pattern Recognition, Deep Learning, Signal Processing, DataMining. Teaching and research at UBA (2003-2017). She has more than two decades of professional work in Information Technology and Computer Science. Senior Member of the IEEE, member of CIS and GRSS Chapters. She has been President of the IEEE Computational Intelligent Society-Argentina Section (2018).

Title: Fish School Search (FSS) for Beginners

Resume: Fish School Search (FSS), proposed by Bastos Filho and Lima Neto in 2008 is an optimization algorithm inspired on the collective behavior of fish schools. In the session we are going to learn the mechanisms of feeding and coordination movement that create the search operators, the core idea that makes the fishes “swim” toward the positive gradient in order to “eat” and “gain weight”. We will also learn how the collective behavior in which heavier fishes influence the search process as a whole, as well as what makes the barycenter of the fish school move toward better places in the search space over the iterations. Finally, the FSS main principles will be explained to the audience, namey: Simple computations in all individuals (i.e. fish) Various means of storing information (i.e. weights of fish and school barycenter), Local computations (i.e. swimming is composed of distinct components), Low communications between neighboring individuals (i.e. fish are to think local but also be socially aware), Minimum centralized control (mainly for self-controlling of the school radius), Some distinct diversity mechanisms (this to avoid undesirable flocking behavior), Scalability (in terms of complexity of the optimization/search tasks) and Autonomy (i.e. ability to self-control functioning). The websites of FSS are https://fbln.me/fss/ and https://en.wikipedia.org/wiki/Fish_School_Search

Biography: https://fbln.me