Deep Feature Optimization for Enhanced Fish Freshness Assessment

Resumen Técnico: Optimización de Características Profundas para la Evaluación Mejorada de la Frescura del Pescado

Enunciado del Problema
Evaluar la frescura del pescado es fundamental para la seguridad alimentaria y la estabilidad económica en la industria de los mariscos. Los métodos tradicionales de evaluación sensorial son subjetivos, consumen mucho tiempo y son difíciles de escalar. Aunque los enfoques recientes de aprendizaje profundo han automatizado la predicción visual de la frescura, persisten desafíos relacionados con la precisión y la transparencia de las características. Específicamente, en el conjunto de datos público "Frescura de los Ojos del Pescado" (FFE), los modelos profundos existentes han logrado solo precisiones moderadas (que oscilan entre el 63% y el 77%), lo que sugiere que distinguir las sutiles diferencias interclase en la apariencia de los ojos requiere representaciones más discriminativas e interpretables. Además, los estudios existentes a menudo evalúan las redes profundas de manera integral (end-to-end) sin analizar explícitamente cómo los niveles de abstracción de características o los mecanismos de selección impactan el rendimiento.

Metodología
El estudio propone un marco unificado de tres etapas diseñado para refinar y aprovechar las representaciones visuales profundas para la clasificación de la frescura del pescado. La metodología procede de la siguiente manera:

1. Ajuste Fino de la Columna Vertebral Profunda: Cinco arquitecturas de visión de última generación —ResNet-50, DenseNet-121, EfficientNet-B0, ConvNeXt-Base y Swin-Tiny— fueron ajustadas finamente utilizando búsqueda aleatoria para la optimización de hiperparámetros. Esto estableció una línea base robusta para la clasificación de frescura basada en imágenes.
2. Extracción de Características Multinivel y Clasificación Híbrida: En lugar de depender únicamente de la capa final de clasificación softmax, se extrajeron incrustaciones profundas de las etapas intermedias (nivel medio) y finales (nivel alto) de abstracción de cada columna vertebral. Estas características se condensaron mediante Agrupación Promedio Global (GAP) y se alimentaron a siete clasificadores clásicos de aprendizaje automático: Regresión Logística, Vecinos más Cercanos (K-NN), Máquina de Vectores de Soporte (SVM), Redes Neuronales Artificiales, Bosque Aleatorio, Árboles Extra, LightGBM y CatBoost. Este enfoque híbrido buscó determinar si los mecanismos de decisión explícitos podían mejorar el poder discriminativo más allá de las salidas estándar de las redes profundas.
3. Selección de Características Incrustada: Para abordar la alta dimensionalidad y la redundancia, se aplicaron tres métodos de selección de características incrustadas para identificar subconjuntos compactos e informativos: Máquina de Gradiente de Impulso Ligero (LGBM), Bosque Aleatorio (RF) y regresión Lasso (L1). Estos métodos integraron la evaluación de la relevancia de las características directamente en el proceso de entrenamiento del modelo.
4. Interpretabilidad: Se empleó Grad-CAM (Mapas de Activación de Clase Ponderados por Gradiente) para visualizar la atención espacial de los modelos, validando que las decisiones se basaban en señales visuales significativas relacionadas con la frescura del pescado (por ejemplo, la nubosidad y la estructura del ojo).

Contribuciones Clave

• Análisis Sistemático de los Niveles de Abstracción: El estudio es el primero en analizar sistemáticamente cómo los niveles de abstracción de características profundas (nivel medio vs. nivel alto) afectan conjuntamente la clasificación de la frescura del pescado en el conjunto de datos FFE.
• Marco Híbrido Profundo-ML: Demuestra una integración novedosa donde las columnas verticales profundas sirven como extractores de características para clasificadores clásicos de aprendizaje automático, en lugar de depender del aprendizaje profundo integral.
• Optimización de Características: La investigación identifica que la selección de características incrustada, particularmente utilizando LGBM, puede reducir significativamente la dimensionalidad de las características mientras mejora o mantiene la precisión.
• Evaluación Comparativa Exhaustiva: El estudio proporciona una evaluación comparativa de cinco arquitecturas de visión diversas (incluyendo Transformers y ConvNets modernos) y múltiples clasificadores de ML en el mismo conjunto de datos bajo condiciones idénticas.

Resultados Experimentales
Los experimentos se realizaron en el conjunto de datos FFE, que comprende 4.390 imágenes en tres categorías de frescura ("Muy Fresco", "Fresco", "No Fresco").

• Rendimiento de Línea Base: Entre los modelos profundos ajustados finamente, Swin-Tiny logró la mayor precisión del 84,85%, seguido de cerca por ConvNeXt-Base (84,51%).
• Rendimiento Híbrido: Utilizando características profundas extraídas de las etapas de alto nivel (Etapa 4) de Swin-Tiny combinadas con un clasificador de Árboles Extra (ET), el sistema logró una precisión del 85,88%, superando al modelo Swin-Tiny independiente.
• Impacto de la Selección de Características: Aplicar la selección de características basada en LGBM optimizó aún más los resultados. La mejor configuración utilizó características de Swin-Tiny (reducidas a 77 características, representando una reducción del 90% del conjunto completo de 768 dimensiones) clasificadas por un modelo de Bosque Aleatorio (RF), alcanzando una precisión máxima del 85,99%.
• Comparación con el Estado del Arte: La mejor configuración propuesta superó a estudios recientes en el mismo conjunto de datos FFE por márgenes significativos: 8,43% sobre Hoang et al. (2025), 8,69% sobre Yildiz et al. (2024) y 22,78% sobre Prasetyo et al. (2022b).
• Análisis de Eficiencia: Aunque ConvNeXt-Base ofreció alta precisión, fue computacionalmente intensivo. Swin-Tiny surgió como la solución más equilibrada, ofreciendo la mayor precisión con requisitos de recursos moderados (27,5 millones de parámetros, 44,1 segundos por época).

Significado y Afirmaciones
Los autores afirman que su marco aborda eficazmente las limitaciones de estudios anteriores, que a menudo dependían de conjuntos de datos pequeños, regiones anatómicas únicas o exclusivamente características diseñadas a mano. Al combinar sistemáticamente transformadores de visión modernos con clasificadores de conjuntos tradicionales y selección de características basada en impulso, el estudio demuestra una estrategia que es tanto precisa como generalizable para la evaluación visual de la calidad.

El artículo enfatiza que la mejora proviene de la capacidad del marco híbrido para capturar tanto patrones semánticos como señales físicas, mientras que el paso de selección de características aísla subconjuntos compactos e informativos que reducen el ruido. Los autores señalan que, aunque los resultados son prometedores, el marco está actualmente limitado por la escala y las condiciones idealizadas del conjunto de datos FFE. Sugieren que el trabajo futuro debe centrarse en desarrollar representaciones híbridas que combinen características profundas y diseñadas a mano para capturar tanto atributos semánticos como físicos, y validar el enfoque en conjuntos de datos reales más grandes y diversos para mejorar la robustez en entornos industriales.