Glosario IA
El diccionario completo de la Inteligencia Artificial
Cabeza de detección multiescala
Un componente de los detectores de objetos que aplica predicciones en múltiples niveles de la pirámide de características, utilizando capas específicas para cada escala para optimizar la detección de objetos de diferentes tamaños.
Ancla adaptativa (Adaptive Anchor)
Una técnica donde las cajas de anclaje (anchor boxes) se generan dinámicamente basadas en las estadísticas de las dimensiones de los objetos en el conjunto de datos, mejorando así la alineación entre las anclas y los objetos pequeños.
Pérdida focal (Focal Loss)
Una función de pérdida modificada que reduce la contribución de los ejemplos fáciles bien clasificados y se concentra en los ejemplos difíciles, particularmente efectiva para manejar el desequilibrio de clases inherente a la detección de objetos pequeños.
Agregación de caminos múltiples (Path Aggregation Network - PANet)
Una arquitectura que mejora el flujo de información en las redes de pirámide de características creando atajos entre las capas inferiores y superiores, preservando mejor la información de localización para los objetos pequeños.
Superresolución guiada por la detección
Un enfoque que aumenta la resolución de los mapas de características o regiones de interés antes de la clasificación, utilizando técnicas de superresolución para hacer que los objetos pequeños sean más discernibles.
Dilatación de características (Feature Dilatation)
Una técnica que aumenta el campo receptivo de las neuronas sin perder resolución espacial, permitiendo capturar más contexto alrededor de los objetos pequeños mientras se conserva su localización precisa.
Muestreo de puntos clave (Keypoint Sampling)
Un método que muestrea selectivamente las características de los puntos más informativos de una pequeña región de objeto, en lugar de usar una agrupación global que podría ahogar los detalles importantes.
Módulo de atención espacial
Un mecanismo que aprende a ponderar la importancia de diferentes regiones espaciales del mapa de características, permitiendo que la red se concentre en las áreas que contienen objetos pequeños relevantes.
Reidentificación de características (Feature Re-identification)
Un proceso que reinyecta características de bajo nivel en capas más profundas de la red, ayudando a recuperar los detalles finos perdidos durante las operaciones de submuestreo sucesivas.
Contexto multiescala (Multi-scale Context)
El uso de información contextual proveniente de diferentes escalas espaciales alrededor de un objeto pequeño para mejorar su clasificación, explotando las relaciones entre el objeto y su entorno.
Aumento de datos adaptado a objetos pequeños
Técnicas de transformación de imágenes específicamente diseñadas para aumentar la presencia y variabilidad de los objetos pequeños en el conjunto de entrenamiento, como el zoom selectivo o el copiar y pegar de objetos.
IoU ponderado por tamaño (Size-weighted IoU)
Una métrica de evaluación que da más peso a las predicciones correctas sobre los objetos pequeños durante el cálculo de la Intersección sobre la Unión, reflejando mejor la dificultad e importancia de su detección.
Cabezal de detección en cascada (Cascade Detection Head)
Una arquitectura donde múltiples cabezales de detección se colocan en secuencia, cada cabezal refinando las predicciones del anterior con umbrales de IoU cada vez más estrictos, mejorando la precisión en objetos difíciles como los objetos pequeños.
Fusión de características bidireccional
Una técnica que combina las características de alto nivel (semánticas) y de bajo nivel (espaciales) en ambas direcciones, de modo que las capas profundas reciben información de localización precisa para detectar mejor los objetos pequeños.
Resaltado de características (Feature Highlighting)
Un método que amplifica las respuestas de las neuronas activadas por pequeños patrones o texturas, haciendo que las características de los objetos pequeños sean más salientes en comparación con el ruido de fondo.
Aprendizaje contrastivo para la detección
Un enfoque de entrenamiento que enseña a la red a acercar las características de objetos pequeños similares y a alejar las de objetos diferentes o del fondo, mejorando su separabilidad.