TAPe en COCO: 98% de precisión con cajas delimitadoras

TAPe alcanza un 98 % de precisión en detección de objetos en COCO con solo el 2 % de datos etiquetados

El enfoque TAPe alcanzó un 98 % de precisión utilizando solo el 2 % del conjunto de datos COCO (alrededor de 2.400 imágenes). Los falsos positivos se redujeron a 30 por cada 1.500 imágenes. El paso de los centroides a los cuadros delimitadores mejoró significativamente la precisión en la detección visual.

TAPe (Teoría de la Percepción Activa) transforma las imágenes en parches estructurados con relaciones definidas, sustituyendo los píxeles crudos por vectores compactos. Esto permite aplicar técnicas de ML—clustering, clasificación y detección—de forma eficiente sin necesidad de una preentrenamiento auto-supervisado pesado.

Optimización de la recopilación de datos TAPe

El experimento clave utilizó pirámides invertidas: enfocándose en el parche central TAPe mientras aumentaba la escala hacia los bordes de la imagen. Este enfoque elevó la precisión hasta el 98 %.

Los parámetros probados incluyeron:

• Número de prototipos por clase (óptimo: 2).
• Equilibrio entre parches de fondo y de objeto (se usaron dos veces más parches de fondo para mejorar la discriminación).

Demasiado fondo provoca sobreajuste al fondo; demasiado poco hace que se pierdan objetos.

Equilibrio entre prototipos y fondo en el modelo

Para cada clase, dos prototipos son óptimos: ofrecen diversidad sin causar sobreajuste. Más prototipos difuminan los grupos de embeddings.

Relación fondo-objeto:

| Relación | Precisión | Falsos positivos |

|--------|----------|------------------|

| 1:1 | 92 % | Alto |

| 2:1 (fondo) | 98 % | Bajo |

| 4:1 (fondo) | 95 % | Sobreajuste al fondo |

Tiene sentido: el fondo es menos variable, por lo que se necesitan más ejemplos para una identificación confiable.

De centroides a cuadros delimitadores

Las detecciones anteriores se centraban en centroides (precisión promedio: 72 %). Ahora, el modelo genera cuadros delimitadores alrededor de los objetos. Los resultados visuales son prometedores, con evaluaciones cuantitativas en curso.

Experimentos con "vistas" (escaneo):

• Las esquinas + el centro de la imagen son suficientes para la detección sin clasificación.
• Clases con textura rica (cebra, piano, barco) alcanzan un 93–94 % de éxito gracias a las pistas de textura.
• Clases débiles: tenedores (tamaño pequeño), personas (alta variabilidad de postura/ángulo).

La variabilidad se aborda mediante aumento basado en la lógica de TAPe.

Integración de TAPe con embeddings

Los parches TAPe actúan como tokens de tamaño fijo naturales, a diferencia de los métodos basados en píxeles. Una imagen se convierte en una secuencia de parches con relaciones estructurales predefinidas.

Esto simplifica tareas como iBOT: la atención funciona sin mecanismos globales ni descenso de gradiente sobre datos brutos.

El entrenamiento tradicional de embeddings implica dos etapas:

• Separación espacial (divergencia de vectores).
• Convergencia dentro de una misma clase.

TAPe reemplaza ambas etapas con un único proceso de entrenamiento sobre objetos estructurados. Permite expresar directamente operaciones TAPe en el espacio de embeddings para tareas híbridas.

Conclusiones clave

• 98 % de precisión con solo el 2 % de COCO sin clasificación, gracias a pirámides invertidas y relación equilibrada fondo-objeto.
• Cuadros delimitadores en lugar de centroides: la precisión promedio pasó de 72 % a hasta 94 % en clases con textura.
• Dos prototipos por clase + relación fondo-objeto 2:1 = configuración óptima.
• Los falsos positivos se redujeron a 30 por cada 1.500 imágenes.
• Los parches TAPe como tokens simplifican la atención sin gradientes globales.

En conjunto, el alcance experimental confirma la efectividad de TAPe en escenarios de visión por computadora con recursos limitados.

— Editorial Team