Clasificación de especies poco representadas en imágenes de cámaras trampa: un enfoque basado en auto-supervisión y transferencia de conocimiento
Guardado en:
| Údar: | |
|---|---|
| Fecha de Publicación: | 2026 |
| Cur Síos: | La pérdida acelerada de biodiversidad representa una de las crisis más urgentes de nuestro tiempo, con el 28 % de las especies evaluadas por la UICN amenazadas de extinción. Las cámaras trampa se han consolidado como herramientas esenciales para el monitoreo de fauna silvestre, generando millones de imágenes que requieren procesamiento automatizado. Sin embargo, los sistemas actuales de clasificación automática presentan limitaciones para detectar especies poco representadas. Esta problemática se debe a la distribución de cola larga inherente a los datos recolectados, donde pocas especies comunes dominan los conjuntos de datos mientras muchas especies poco representadas aparecen con muy baja frecuencia, combinado con los desafíos técnicos propios de las imágenes de cámaras trampa como las oclusiones, condiciones variables de iluminación y fondos complejos. Esta investigación diseñó y evaluó un proceso de clasificación de especies en imágenes de cámaras trampa con distribuciones de cola larga, mediante cuatro ciclos iterativos bajo la metodología de Ciencia del Diseño. Una revisión de alcance de 84 estudios identificó que los factores limitantes se reconocen con frecuencia pero se mitigan con poca frecuencia, y que las prácticas de evaluación del campo son débiles, especialmente para las clases raras. El proceso propuesto combina representaciones autosupervisadas con estrategias de clasificación desacoplada. La evaluación empírica mostró que las estrategias estándar de cola larga tienen alcance limitado cuando se aplican sobre representaciones congeladas, especialmente en clases raras y ubicaciones no vistas. La adaptación parcial de la red extractora de representaciones produjo las señales más claras de mejora en estos segmentos, aunque no eliminó por completo la brecha de generalización geográfica. La validación externa mostró una transferencia parcial del efecto, con mejoras localizadas en clases de cola, pero sin una superioridad global estadísticamente significativa en todos los contextos evaluados. |
| País: | Kérwá |
| Institiúid: | Universidad de Costa Rica |
| Repositorio: | Kérwá |
| Teanga: | Español |
| OAI Identifier: | oai:kerwa.ucr.ac.cr:10669/105202 |
| Rochtain Ar Líne: | https://hdl.handle.net/10669/105202 |
| Palabra clave: | aprendizaje autosupervisado cámaras trampa distribución de cola larga clasificación de especies aprendizaje por transferencia cambio de dominio |