# Representation Learning

# 🦜LoRA

👥 **Integrantes:**

- 👤 Sneider Sánchez
- 👤 César Vanegas

📑 **Material de apoyo:**

- 📜 **Paper:** [Ver artículos académicos](https://arxiv.org/pdf/2106.09685#page=7.03)
- 💻 **Video Autor** [Video](https://www.youtube.com/watch?v=DhRoTONcyZE&ab_channel=EdwardHu)
- 📊 **Diapositivas:** [Ver presentaciones](https://www.canva.com/design/DAGgUDYjRHw/YxJLclyUTttWnBIQlTAU0A/edit?utm_content=DAGgUDYjRHw&utm_campaign=designshare&utm_medium=link2&utm_source=sharebutton)
- 📗 **Resumen:** [Ver documento](https://drive.google.com/file/d/1-Ch7Zi5YdB_jxslWxehsMkrPuctkOAX2/view?usp=sharing)

---

## 🎯 **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:)](https://www.youtube.com/watch?v=t509sv5MT0w&t=539s&ab_channel=DeepFindr)  
🔹 [🖱️ Otra pequeña explicación](https://blog.dailydoseofds.com/p/full-model-fine-tuning-vs-lora-vs)

# 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](https://www.canva.com/design/DAGhkRXurEk/TZnbB1N1Faoc_BQvKzi4Yw/view?utm_content=DAGhkRXurEk&utm_campaign=designshare&utm_medium=link2&utm_source=uniquelinks&utlId=hd50baa9840)
- 📜 Paper: [Enlace al artículo](https://arxiv.org/abs/2403.10516)

---

## 🎯 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:

🔹 [🎥 Featup en acción](https://www.youtube.com/watch?v=M11vRFrYRaA)

# 🧠CrIBo: Self-Supervised Learning via Cross-Image Object-Level Bootstrapping

👥 **Integrantes:**

- 👤 Paula Uzcategui
- 👤 Fabián Pérez

📑 **Material de apoyo:**

- 📊 **Diapositivas:** [Ver presentaciones](https://docs.google.com/presentation/d/1DmC3RA9ZZLcqkkCH_3y3h57s0nOYZXpQkez6kPcbdXo/edit?usp=sharing)
- 📜 **Paper:** [Ver artículos académicos](https://openreview.net/pdf?id=3M0GXoUEzP)

---

ICLR 2024 SPOTLIGHT

![Ejemplo de imagen](https://github.com/tileb1/CrIBo/raw/main/figures/cribo_pipeline.jpg)

---

#### 📚 **Referencias**

🔹 [Codigo](https://github.com/tileb1/CrIBo)