Hasta ahora, si colg\u00e1bamos un cartel publicitario en una zona para peatones, y quer\u00edamos saber cu\u00e1nta gente lo miraba realmente, lo ten\u00edamos imposible.<\/p>\n
Se pod\u00eda intentar capturar esta importante informaci\u00f3n mediante la medici\u00f3n de la direcci\u00f3n de las miradas, pero esto requer\u00eda un equipamiento especial de seguimiento ocular que necesita calibrarse durante minutos, y para obtener datos fiables todo el mundo tendr\u00eda que llevar un aparato preparado para funcionar con el sistema. Las investigaciones fuera del laboratorio y sin sujetos de estudio reclutados formalmente, como por ejemplo los realizados observando la conducta espont\u00e1nea de peatones en la calle, eran, en el mejor de los casos, complicadas y en el peor de ellos, imposibles.<\/p>\n
Incluso cuando la c\u00e1mara era colocada en el objeto de inter\u00e9s, por ejemplo el cartel, y se utilizaba aprendizaje autom\u00e1tico, es decir, cuando la m\u00e1quina era adiestrada usando una cantidad suficiente de datos de muestra, solo se pod\u00edan reconocer las miradas a la propia c\u00e1mara. Si la persona miraba a otra parte del cartel, el sistema no pod\u00eda reconocerlo. Demasiado a menudo, la diferencia entre los datos usados para el de adiestramiento y los datos captables en el entorno real espec\u00edfico era excesivamente grande. Un detector universal de contacto de miradas, utilizable tanto para objetos peque\u00f1os como para grandes, en situaciones estacionarias o m\u00f3viles, para un usuario o para todo un grupo, o bajo condiciones de iluminaci\u00f3n cambiantes, era hasta el momento imposible.<\/p>\n
Ahora, el equipo de Andreas Bulling, de la Universidad de Sarre (Saarland) en Alemania, ha desarrollado un m\u00e9todo que est\u00e1 basado en una nueva generaci\u00f3n de algoritmos para estimar la direcci\u00f3n de las miradas. Estos utilizan un tipo especial de red neural, del tipo conocido como “de Aprendizaje Profundo”, que est\u00e1 actualmente causando sensaci\u00f3n en muchas \u00e1reas de la industria y de los negocios. Bulling, Xucong Zhang y Yusuke Sugano han estado trabajando en este m\u00e9todo durante dos a\u00f1os y han avanzado paso a paso.<\/p>\n
El m\u00e9todo que han presentado ahora ha sido puesto a prueba en dos escenarios: en un lugar de trabajo, la c\u00e1mara fue montada sobre el objeto del que contar las miradas recibidas, y en una situaci\u00f3n cotidiana, un usuario llevaba una c\u00e1mara encima, a fin de obtener un recuento de cu\u00e1ntas miradas recib\u00eda. El resultado: el sistema, dado que obtiene el conocimiento necesario por \u00e9l mismo, es robusto, incluso cuando la cantidad de personas implicadas, las condiciones de iluminaci\u00f3n, la posici\u00f3n de la c\u00e1mara y los tipos y tama\u00f1os de los objetos var\u00eden.<\/p>\n
Fuente:<\/strong> NCYT<\/p>\n","protected":false},"excerpt":{"rendered":" Hasta ahora, si colg\u00e1bamos un cartel publicitario en una zona para peatones, y quer\u00edamos saber cu\u00e1nta gente lo miraba realmente, lo ten\u00edamos imposible.<\/p>\n","protected":false},"author":1,"featured_media":6746,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-6745","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tech"],"yoast_head":"\n