En los últimos años, varios tipos de redes neuronales profundas, comúnmente llamadas modelos Deep Learning (DL), han mostrado tener un altísimo potencial en el reconocimiento tanto de patrones espaciales como temporales en distintos tipos de datos. Un buen ejemplo son las redes neurales convolucionales (CNNs), que actualmente constituyen el estado de arte en tareas del campo de visión por computador, como clasificación de imágenes, detección de objetos en imágenes y vídeos, o segmentación de imágenes. De hecho, desde 2012, todas las categorías de la prestigiosa competición Large Scale Visual Recognition Challenge (ILSVRC) han sido ganadas exclusivamente por las redes CNNs. Otro buen ejemplo son las redes Long Short-Term Memory (LSTM), que actualmente representan el estado del arte en tareas del campo de procesamiento de lenguaje natural (NLP), como desambiguación de palabras o análisis de opinión. Las redes DL se están explorando cada vez más en áreas nuevas y sobre nuevos datos.

Con el workshop DEEPL deseamos fomentar la participación de investigadores que trabajan en el desarrollo y/o aplicación de de modelos DL para distintos tipos de datos en diversas áreas de aplicación. Será una oportunidad para la presentación de resultados y el intercambio de ideas acerca de esta área de investigación, tanto de expertos en la misma como de aquellos interesados en acercarse a ella.

Presidentes

• Siham Tabik, Universidad de Granada, Email: siham@ugr.es
• Juan Manuel Górriz, Universidad de Granada, Email: gorriz@ugr.es
• Antonio Bahamonde, Universidad de Oviedo, Email: abahamonde@uniovi.es

Temas de interés

Los temas de interés para este Workshop incluyen (aunque no están limitados a):

• Algoritmos y modelos Deep Learning, e.g., redes neuronales convolucionales, redes neuronales recurentes, etc.
• Modelos de aprendizaje no-supervisados, e.g., restricted Boltzmann machines, autoencoders, sparse coding, etc.
• Modelos de aprendizaje Deep Learning semi-supervisado
• Transfer learning y data-augmentation
• Optimización de los modelos Deep Learning para la etapa de Inference/Deployment
• Aplicación de Deep Learning en diversos tipos de datos, e.g., imágenes, videos, lenguaje natural, etc.

Comité de programa

Fernando de la Calle	Universidad Carlos III de Madrid
José Dorronsoro	Universidad Autónoma de Madrid
Lucas García	MathWorks
Pablo Mesejo	Universidad de Granada
Ricardo Guerrero Gómez-Olmedo	BEEVA
Francisco Javier Ordóñez	StyleSage
Andrés Ortiz	Universidad de Malaga
Gema Parreño Piqueras	BBVA
Petia Radeva	Universidad de Barcelona
Javier Ramírez	Universidad de Granada
Xavier Serra	Universidad de Pompeu Fabra