Detección de regiones de interés mediante técnicas de inteligencia artificial y operaciones morfológicas Autor: Andrei Gabriel Nascu - University of Craiova (RO) Resumen En la actualidad, con el avance continuo de la tecnología, la inteligencia artificial puede encontrarse prácticamente en todas partes: desde teléfonos inteligentes con reconocimiento facial, asistentes de voz y autocorrección de texto, hasta sistemas de seguridad destinados a detectar personas no autorizadas, ciberacoso, ciberataques o incluso aplicaciones sanitarias que ayudan a los médicos a establecer diagnósticos y tratamientos. El punto común de todos estos casos de uso es que requieren una gran cantidad de datos etiquetados para obtener buenos resultados en los procesos de clasificación. El etiquetado es una tarea tediosa que puede consumir numerosos recursos, como tiempo, personal, capacidad computacional y dinero. El proceso de etiquetado varía según el tipo de datos que se etiquetan —audio, vídeo, imágenes o texto—. Este artículo se centra en los datos de tipo imagen. Para abordar este problema, el trabajo propone el uso de un algoritmo de etiquetado automático mediante una combinación de una arquitectura de red neuronal convolucional (CNN) y operaciones morfológicas con un conjunto de hiperparámetros. Para cuantificar el rendimiento del algoritmo, se establece una métrica de eficiencia compuesta por dos componentes: una evaluación local de los resultados y una evaluación global. Esta métrica se obtiene comparando las etiquetas generadas por el algoritmo con las etiquetas realizadas manualmente. Además, el artículo analiza el impacto de los hiperparámetros sobre el algoritmo utilizando la métrica de eficiencia establecida. Finalmente, los resultados correspondientes a la mejor configuración de hiperparámetros se estudian mediante análisis de datos tanto global como local. Utilizando la métrica de eficiencia basada en el área de solapamiento, el algoritmo alcanzó un porcentaje medio de solapamiento del 89,33 %.