En la última década, las redes neuronales profundas se han consolidado como una de las herramientas más exitosas para abordar una amplia variedad de problemas de visión por computadora. Gran parte de este éxito se debe a su capacidad para aprender representaciones útiles a partir de grandes cantidades de datos. Pero, ¿qué ocurre cuando los datos disponibles para un nuevo problema son escasos? Una estrategia común consiste en reutilizar el conocimiento aprendido por una red entrenada previamente en otro conjunto de datos. Esta idea, conocida como transferencia de conocimiento, permite aprovechar representaciones aprendidas en un problema para resolver otros. Lo sorprendente es que este conocimiento puede resultar útil incluso cuando existe una diferencia considerable entre los problemas de origen y de destino.
