Introducción: El Aprendizaje Auto Supervisado SSL ha emergido como un paradigma potente para aprovechar datos no etiquetados, reduciendo significativamente la dependencia de anotaciones manuales costosas. Más allá de tareas pretexto tradicionales como predicción de rotación o rompecabezas, los avances recientes se centran en aprendizaje contrastivo que aproxima representaciones de muestras similares y separa las disímiles. Presentamos Aprendizaje Adaptativo Contrastivo con Mascaramiento Dinámico de Características ACL-FM, diseñado para el reconocimiento de atributos finamente granulados en imágenes. La idea central es enmascarar dinámicamente características en parches de imagen durante el entrenamiento contrastivo, obligando al modelo a aprender representaciones más robustas y discriminativas para compensar la información ausente. ACL-FM supera enfoques de enmascaramiento estático mediante una política de enmascaramiento aprendible que se adapta a la dificultad de cada muestra, mejorando la velocidad de convergencia y la precisión global.

Trabajo relacionado: Métodos contrastivos como SimCLR, MoCo y BYOL han demostrado rendimiento de vanguardia en múltiples benchmarks. Estos métodos crean pares positivos mediante aumentos de la misma imagen y pares negativos a partir de imágenes distintas, pero suelen enfatizar aumentos globales y descuidar manipulaciones finas de características. Técnicas de enmascaramiento han sido exploradas en robustez y entrenamiento adversario, aunque su aplicación al aprendizaje contrastivo es menos explorada. ACL-FM combina estos principios para ofrecer un enfoque adaptativo y dinámico orientado al reconocimiento fino de atributos.

Metodología: ACL-FM modifica el marco contrastivo estándar introduciendo un módulo de mascaramiento dinámico de características. La arquitectura consta de tres componentes principales: un codificador backbone B como ResNet50, una red política de enmascaramiento M y una cabeza para aprendizaje contrastivo H. El codificador procesa imágenes x y genera mapas de características F = B(x) que se dividen en parches no solapados siguiendo la idea de ViT; cada parche se representa como un embedding formando la secuencia P.

Red política de enmascaramiento: La novedad reside en M que recibe los embeddings de parches P y produce un mapa de probabilidades de enmascaramiento M_prob con la misma dimensión que P. Cada elemento de M_prob indica la probabilidad de enmascarar el parche correspondiente. M se diseña como una red feedforward poco profunda con una capa oculta y activación ReLU, seguida de una sigmoide para producir probabilidades entre 0 y 1. La política garantiza que solo un subconjunto reducido de características esté activo en cada iteración, forzando al modelo a aprender a partir de observaciones parciales.

Cabeza contrastiva y pérdida: Los embeddings enmascarados P_masked se obtienen aplicando una máscara binaria M_binary muestreada a partir de M_prob mediante multiplicación elemento a elemento. Estos embeddings entran en la cabeza H para producir representaciones R = H(P_masked). La pérdida contrastiva empleada es InfoNCE: L_contrastive = - E log exp(sim(R_i,R_i+)) / sum_j exp(sim(R_i,R_j)) donde R_i es la representación de la i-ésima muestra y R_i+ la de su versión aumentada. La función sim suele ser el producto punto normalizado o la similitud coseno.

Estrategia de enmascaramiento adaptativo: Para mejorar eficiencia y desempeño, ACL-FM modula la probabilidad de enmascaramiento mediante una puntuación de dificultad D que se deriva de la señal de pérdida por cada parche. Parches que contribuyen más a la pérdida reciben menor probabilidad de enmascaramiento, permitiendo al sistema priorizar características desafiantes. Definimos D_i como el valor absoluto de la derivada parcial de la pérdida contrastiva respecto del embedding del parche P_i, es decir D_i = |d L_contrastive / d P_i|. La probabilidad final se ajusta con M_prob = sigmoid(M(P) + lambda D_i), donde lambda es un factor de escala que controla la influencia de la dificultad.

Experimentos: Se evaluó ACL-FM en conjuntos fine-grained habituales: CUB-200-2011 para aves y Stanford Cars para automóviles, idóneos para medir la discriminación de diferencias sutiles entre clases. Detalles de implementación: backbone ResNet50, aumentos de datos incluyen recorte aleatorio, color jitter y blur gaussiano; pérdida InfoNCE con temperatura 0.1; optimizador Adam con lr 0.001 y weight decay 1e-4. La red de política tiene una capa oculta de 512 unidades con ReLU. La búsqueda de hiperparámetros se realizó por muestreo aleatorio y se verificaron resultados reproducibles en múltiples corridas.

Resultados: ACL-FM supera consistentemente métodos contrastivos de referencia. En CUB-200-2011 SimCLR alcanzó 68.5 y MoCo 71.2, mientras ACL-FM obtuvo 75.9. En Stanford Cars SimCLR alcanzó 72.3 y MoCo 74.8, frente a 78.1 de ACL-FM. Estas mejoras demuestran la eficacia del mascaramiento dinámico adaptativo para el reconocimiento fino de atributos, reduciendo errores en clases visualmente similares.

Discusión y trabajo futuro: El mascaramiento dinámico permite que la red concentre su capacidad en regiones informativas y difíciles, mejorando la calidad de las representaciones aprendidas. Limitaciones incluyen mayor complejidad computacional y parámetros añadidos por la política aprendible. Líneas futuras: integrar mecanismos de atención en la política para mejorar la selección de características, extender ACL-FM a dominios como reconocimiento de flores o análisis de imágenes médicas, explorar enmascaramiento a nivel píxel o combinaciones entre enmascaramiento global y local, y estudiar variantes de política con aprendizaje por refuerzo para decisiones de enmascaramiento temporales.

Comentario técnico: Matemáticamente, ACL-FM conecta la política de enmascaramiento con la dinámica de aprendizaje mediante la dependencia de M_prob en la sensibilidad de la pérdida a cada parche. Esto convierte la política en un componente optimizable dentro del entrenamiento end to end, favoreciendo la adaptabilidad y reduciendo la dependencia de heurísticas manuales.

Aplicaciones y servicios Q2BSTUDIO: En Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida especializada en inteligencia artificial, ciberseguridad y soluciones cloud. Ofrecemos servicios integrales que incluyen desarrollo de aplicaciones a medida y software a medida, consultoría en inteligencia artificial e ia para empresas, así como arquitecturas seguras en servicios cloud aws y azure. Nuestros equipos trabajan en proyectos de inteligencia de negocio y Power BI, agentes IA personalizados y automatización de procesos, integrando prácticas de ciberseguridad y pentesting para proteger datos y flujos críticos. ACL-FM y técnicas similares pueden incorporarse a soluciones reales de Q2BSTUDIO para mejorar sistemas de visión por computador, herramientas de inspección automatizada y análisis avanzado de imágenes médicas o industriales.

Conclusión: ACL-FM propone un paso adelante en aprendizaje contrastivo para reconocimiento fino: un mascaramiento dinámico y adaptativo que prioriza regiones difíciles y mejora la discriminación entre clases cercanas. Los experimentos en CUB-200-2011 y Stanford Cars confirman ganancias relevantes frente a SimCLR y MoCo. En Q2BSTUDIO combinamos investigación aplicada con servicios profesionales en software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure y soluciones de inteligencia de negocio como power bi para transformar estos avances en productos y servicios que aporten valor tangible a empresas de distintos sectores.