Aprovechar los datos sintéticos obtenidos a partir de especímenes de museos para entrenar modelos de clasificación de...

Área de la Ciencia:

• Ecología
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• Los modelos de visión por computadora requieren extensos datos anotados para la investigación ecológica, lo que representa un desafío significativo debido a las demandas de recursos.
• El entrenamiento de modelos de visión por computadora con imágenes sintéticas a menudo resulta en una mala generalización a las fotografías del mundo real.

Objetivo del estudio:

• Presentar una línea de trabajo modular para el entrenamiento de modelos generalizables de clasificación de la visión por ordenador utilizando imágenes sintéticas.
• Abordar el desafío de los datos anotados limitados en la investigación ecológica aprovechando la generación de datos sintéticos.

Principales métodos:

• Desarrolló una tubería que involucra la creación de activos 3D (utilizando escáneres 3D), la generación de imágenes sintéticas (utilizando software gráfico de código abierto) y el entrenamiento de modelos de clasificación adaptativos al dominio.
• Aplicó la tubería para clasificar cráneos de 16 especies de mamíferos (orden Carnivora).
• Técnicas evaluadas de adaptación del dominio, incluida la pérdida de la discrepancia media máxima (MMD), el ajuste fino y la suplementación de datos.

Principales resultados:

• Mejora de la precisión de la clasificación en fotografías reales del 55,4% a un máximo del 95,1% utilizando la adaptación propuesta de la tubería y el dominio.
• El análisis cualitativo utilizando la incorporación estocástica distribuida por t (t-SNE) y el mapeo de activación de clase ponderado por gradiente (Grad-CAM) comparó las técnicas de adaptación de dominio.

Conclusiones:

• El proyecto demuestra la viabilidad del uso de imágenes sintéticas para aplicaciones ecológicas de visión por ordenador.
• Destaca el potencial de los activos 3D y los especímenes de los museos para la formación de modelos escalables y generalizables en ecología.