Registro:
| Documento: | Tesis de Maestría |
| Título: | Análisis de invarianza en modelos de visión por computadora |
| Título alternativo: | Analysis of invariance in computer vision models |
| Autor: | Badaracco, Tatiana |
| Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| Fecha de defensa: | 2025-12-10 |
| Fecha en portada: | 10 de diciembre de 2025 |
| Grado Obtenido: | Maestría |
| Título Obtenido: | Magíster de la Universidad de Buenos Aires en el área de Explotación de Datos y Descubrimiento del Conocimiento |
| Departamento Docente: | Departamento de Computación |
| Director: | Quiroga, Facundo Manuel |
| Jurado: | Gaggión Zulpo, Rafael Nicolás; García, Mario Alejandro; Peterson, Victoria |
| Idioma: | Español |
| Formato: | PDF |
| Handle: |
https://hdl.handle.net/20.500.12110/tesis_n7936_Badaracco |
| PDF: | https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7936_Badaracco.pdf |
| Registro: | https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n7936_Badaracco |
| Ubicación: | DMI 007936 |
| Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Badaracco, Tatiana. (2025). Análisis de invarianza en modelos de visión por computadora. (Tesis de Maestría. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7936_Badaracco |
Resumen:
En esta tesis se realiza un análisis sistemático de la invarianza de modelos de visión por computadora frente a distintas transformaciones geométricas y de color aplicadas a las imágenes. Se evalúa el comportamiento de dos arquitecturas representativas: EfficientNet-B0, una red convolucional eficiente, y FasterViT, un transformer visual híbrido de última generación. Para cada modelo, se consideran tres enfoques de entrenamiento —desde cero, transferencia de aprendizaje y fine-tuning—, con el objetivo de estudiar cómo influye el tipo de entrenamiento en la capacidad del modelo para aprender invarianzas y generalizar ante datos transformados no vistos. Para cada transformación se definen ocho variantes, que son aplicadas aleatoriamente durante el entrenamiento. Posteriormente, se evalúa el desempeño de los modelos frente a transformaciones no vistas utilizando una métrica de invarianza. El análisis incluye tanto resultados globales como el comportamiento a nivel de bloques internos, permitiendo observar cómo se propaga o estabiliza la invarianza a lo largo de la arquitectura. Los resultados muestran que los modelos entrenados sin transformaciones presentan baja invarianza, mientras que el uso sistemático de data augmentation mejora significativamente la robustez. Asimismo, se evidencia que la sensibilidad a las transformaciones varía según la etapa del modelo y el enfoque de entrenamiento. En particular, FasterViT exhibe una invarianza más homogénea y estable que EfficientNet-B0, mostrando una mayor robustez en los enfoques de fine-tuning y transfer learning, mientras que EfficientNet alcanza sus mejores resultados al entrenarse desde cero. Desde una perspectiva práctica, este trabajo busca contribuir al entendimiento del comportamiento interno de modelos accesibles, robustos y eficientes. En un contexto donde proliferan arquitecturas complejas y de gran escala, este tipo de análisis permite fundamentar decisiones sobre el uso de modelos más livianos, interpretables y adecuados para entornos con recursos limitados.
Abstract:
This thesis presents a systematic analysis of invariance in computer vision models with respect to different geometric and color transformations applied to images. The behavior of two representative architectures is evaluated: EfficientNet-B0, an efficient convolutional network, and FasterViT, a state-of-the-art hybrid vision transformer. For each model, three training approaches are considered—training from scratch, transfer learning, and fine-tuning—with the aim of studying how the training strategy influences the model’s ability to learn invariances and generalize to unseen transformed data. For each transformation, eight variants are defined and randomly applied during training. Subsequently, the models are evaluated on unseen transformations using an invariance metric. The analysis includes both global results and behavior at the level of internal blocks, allowing us to observe how invariance propagates and stabilizes throughout the architecture. The results show that models trained without transformations exhibit low invariance, while the systematic use of data augmentation significantly improves robustness. Furthermore, sensitivity to transformations varies depending on the stage of the model and the training approach. In particular, FasterViT exhibits more homogeneous and stable invariance than EfficientNet-B0, showing greater robustness under fine-tuning and transfer learning settings, whereas Efficient- Net achieves its best results when trained from scratch. From a practical perspective, this work contributes to the understanding of the internal behavior of accessible, robust, and efficient models. In a context where increasingly complex and large-scale architectures are being developed, this type of analysis supports informed decisions regarding the use of lighter, more interpretable models suitable for resource-constrained environments.
Citación:
---------- APA ----------
Badaracco, Tatiana. (2025). Análisis de invarianza en modelos de visión por computadora. (Tesis de Maestría. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7936_Badaracco
---------- CHICAGO ----------
Badaracco, Tatiana. "Análisis de invarianza en modelos de visión por computadora". Tesis de Maestría, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2025.https://hdl.handle.net/20.500.12110/tesis_n7936_Badaracco
Estadísticas:
Descargas totales desde :
Descargas mensuales
https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7936_Badaracco.pdf
