Computer Vision
Convoluciones, clasificación, detección, segmentación, CLIP y difusión.
Volver a los 11 temas · Referencia · el temario oficial: Syllabus IOAI
📋 En el syllabus oficial: sección 5. Computer vision.
La sección 5 del syllabus. Aparece en las tres ediciones y casi siempre por la vía de un encoder preentrenado: rara vez se entrena una red de visión desde cero.
📌 Qué abarca
- Capas convolucionales 🧠💻 — lo único de la sección marcado como teoría.
- Clasificación con encoders preentrenados (ResNet, ViT) 💻.
- Detección: YOLO, SSD, DETR 💻. Segmentación: U-Net 💻.
- Augmentation (flip, crop, ruido;
albumentations) 💻. - Self-supervised y encoders visión-texto (CLIP) 💻.
- Generación: GANs y modelos de difusión 💻 → ver Modelos Generativos.
Alcance y prioridades de estudio
Distingue lo no incluido oficialmente de lo que esta ruta pospone por presupuesto. El alcance oficial lo fija Syllabus IOAI.
- No listado como subtema en el syllabus 2026: 3D, nubes de puntos, NeRF, pose estimation.
- No listado como subtema en el syllabus 2026: Video como tema propio (aunque los datos pueden ser video).
- Prioridad didáctica: comparar primero extractores preparados; entrenar una CNN pequeña desde cero sí es práctica útil y no está excluido.
🎯 En competencia
En el Individual 2025 (n=284), Chicken Counting tuvo media 26/100 y 39% de ceros; Restroom, media 4/100 y 86% de ceros. La primera pide mapas de densidad y la segunda retrieval. Son resultados de una cohorte, no causas de fallo ni una escala universal de dificultad.
⚠️ La trampa típica
Redimensionar sin mirar. En Double Agent Dilemma (2026) la perturbación debía entregarse en la resolución original de cada imagen, no en 224×224, y el pipeline de transformación estaba fijado por el juez. Formato mal = cero, por buena que sea la idea.
⚙️ Recetas de este tema
Código listo para consultar, con su implementación verificada. El catálogo completo, ordenado por el momento en que se necesita, está en Catálogo de recetas.
- Búsqueda por similitud coseno — Encuentra, para cada consulta, los elementos más parecidos de un catálogo usando similitud coseno.
🏋️ Tareas de la IOAI con este tema
Ordenadas por media observada descendente. La ronda y el tamaño de cohorte importan: este orden no prescribe una progresión de estudio.
| Tarea | Edición | Ronda | Rendimiento observado |
|---|---|---|---|
| Radar | IOAI 2025 | Día 1 | 🟢 media ≥50 · media 73.41 · n=284 |
| Chicken Counting | IOAI 2025 | Día 1 | 🟡 media ≥25 · media 26.11 · n=284 |
| Double Agent Dilemma | IOAI 2026 | Día 2 | 🟠 media ≥12 · media 20.32 · n=440 |
| Pixel Efficiency | IOAI 2025 | Día 2 | 🟠 media ≥12 · media 20.11 · n=284 |
| Restroom Icon Matching | IOAI 2025 | Día 2 | 🔴 media <12 · media 3.98 · n=284 |
| Lost in Translation | IOAI 2024 | Científica at-home | ⚪ sin datos |
| The Madarian Cow Mystery | IOAI 2024 | Científica on-site | ⚪ sin datos |
| Weather | IOAI 2025 | At-home | ⚪ sin datos |
Las otras puertas del vault: Ruta de Aprendizaje · Referencia · IOAI