Detección de objetos mediante redes neuronales de aprendizaje profundo con delimitación elíptica

Abstract

Este trabajo estudia la detección de objetos mediante representaciones elípticas, explorando sus ventajas frente a las cajas rectangulares habituales. Se parte de un modelo base al que se incorpora la estrategia de Test-Time Augmentation (TTA), con el fin de mejorar la robustez y la capacidad de recuperación de detecciones en escenarios difíciles. Los resultados muestran que las métricas globales de error no siempre evidencian mejoras, pero la TTA resulta especialmente útil en casos complejos, ya que permite recuperar objetivos que el modelo base no detecta. Este beneficio inicial se ve acompañado por un aumento en falsos positivos, lo que motivó la implementación de un mecanismo de validación basado en desviaciones geométricas entre elipses. Dicho mecanismo logra reducir de forma significativa las detecciones erróneas y alcanzar un equilibrio más favorable entre precisión y recuperación. Finalmente, se realizó una optimización de parámetros que confirmó la importancia de ajustar umbrales de consenso y validación para maximizar el rendimiento. En conjunto, los resultados sugieren que la representación elíptica, junto con técnicas de consenso y validación específicas, constituye una alternativa prometedora para tareas de detección donde las formas elípticas describen mejor la geometría de los objetos.