Reconocimiento de objetos particulares

Abstract

El ámbito de la detección de objetos ha experimentado un notable avance en términos de precisión y velocidad gracias al progreso en la capacidad computacional. Sin embargo, un aspecto menos explorado es la detección de objetos particulares, conocida como detección de instancias de objetos. Este enfoque implica desarrollar metodologías de entrenamiento para modelos computacionales con bases de datos limitadas. Para ilustrar este punto, mientras que hay numerosas bases de datos que permiten detectar categorías generales, como perros o ani- males, el desafío aumenta al intentar detectar instancias específicas, como un perro particular. Por esta razón, en este trabajo se propone una nueva arquitectura, basada en un modelo que representa la detección de objetos como mapas de calor, CenterNet, capaz de explorar este problema. Esta propuesta de modelo se entrena con la base de datos COCO, igual que CenterNet. Además, entrega como resultado un mapa de calor único, que contiene la detec- ción de los objetos, logrando incluso, detecciones de objetos que no se presentan en la base de datos en la que se entrenó. Una vez entrenado, se extraen las características del objeto detectado para luego ser comparado con una pequeña base de datos de objetos particulares. En una evaluación preliminar, la precisión lograda en términos de clasificación para esta base de datos reducida de 26 objetos fue del 80.77 %. En conclusión, en cuanto a la detección de objetos, se logra un F-score del 55.92 % para la configuración de 6 objetos por imagen con un umbral de IoU de 0.75, y un F-score del 82.28 % con un umbral de IoU de 0.50. Es relevante señalar que, aunque el modelo muestra buen rendimiento en detección y clasificación por separado, se identifican desafíos al intentar integrar eficazmente ambos aspectos. Este hallazgo destaca la complejidad de lograr una armoniosa combinación de detección y clasificación de objetos en un único modelo.