Representation Learning
🦜LoRA
👥 Integrantes:
- 👤 Sneider Sánchez
- 👤 César Vanegas
📑 Material de apoyo:
- 📜 Paper: Ver artículos académicos
- 💻 Video Autor Video
- 📊 Diapositivas: Ver presentaciones
- 📗 Resumen: Ver documento
🎯 Objetivos
✅ Comprender cómo funciona LoRA a nivel matemático.
✅Comparar su rendimiento con otros métodos como Fine-Tuning y Adapters.
📊 Resultados Esperados
🔹 Comprensión clara de LoRA y su aplicación en modelos grandes.
🔹 Identificación de sus ventajas y limitaciones frente a otras técnicas.
📚 Referencias
📖 Esta sección recopila enlaces a recursos relevantes sobre procesamiento de imágenes:
🔹 📽️ Video de ayuda:)
🔹 🖱️ Otra pequeña explicación
FEATUP: A MODEL-AGNOSTIC FRAMEWORK FOR FEATURES AT ANY RESOLUTION
👥 Integrantes:
- 👤 Jorge Andrey Garcia Vanegas
- 👤 Cristian Rey
📑 Material de apoyo:
- 📊 Diapositivas: Enlace a las diapositivas
- 📜 Paper: Enlace al artículo
🎯 Objetivos
Se plantean los siguientes objetivos para esta exposición:
✅ Comprender la importancia de la preservación de características profundas en modelos de visión por computadora.
✅ Explicar las diferencias entre los métodos de reconstrucción directa e implícita.
✅ Analizar el impacto del filtro bilateral y su variante conjunta en la recuperación de información espacial.
📊 Resultados Esperados
📍 Se espera obtener al final de la sesión:
🔹 Entender cómo FEATUP permite recuperar información espacial perdida en modelos de aprendizaje profundo.
🔹 Diferenciar entre los métodos de reconstrucción directa e implícita para mejorar la resolución de características.
🔹 Comprender la aplicación de filtros bilaterales y su impacto en la mejora de la resolución sin distorsionar bordes.
📚 Referencias
📖 Enlaces que pueden servir de ayuda para el lector: