La visión por computadora es el área de la informática encargada de permitir que las máquinas interpreten y tomen decisiones a partir de datos visuales como fotografías, video o mapas de profundidad. En lugar de producir imágenes, como hace la computación gráfica, la visión por computadora analiza imágenes para reconocer objetos, estimar la geometría, seguir el movimiento o extraer información semántica. El campo combina algoritmos, aprendizaje estadístico y consideraciones de hardware para convertir píxeles en bruto en descripciones útiles de escenas y घटनos.

Tareas principales y resultados habituales

  • Clasificación de imágenes: asignar una etiqueta a una imagen completa, por ejemplo, identificar que una foto contiene un gato.
  • Detección de objetos: localizar y clasificar múltiples objetos dentro de una imagen, a menudo con cajas delimitadoras.
  • Segmentación semántica y por instancias: etiquetar píxeles por clase o separar instancias individuales de objetos.
  • Estimación de pose y profundidad: inferir la estructura 3D, la posición de la cámara o la orientación de un objeto a partir de imágenes.
  • Seguimiento y análisis del movimiento: seguir objetos entre cuadros y calcular el flujo óptico.

Estos resultados pueden alimentar sistemas de nivel superior, como el control robótico, los motores de búsqueda visual o las herramientas de apoyo a la decisión médica. La evaluación suele usar conjuntos de datos anotados y métricas de rendimiento que varían según la tarea: exactitud, IoU, recall/precision o robustez del seguimiento.

Métodos, herramientas y desarrollo

La visión por computadora temprana se apoyaba en características diseñadas a mano y en el razonamiento geométrico: detectores de bordes, descriptores basados en gradientes, la transformada de Hough para formas y métodos de correspondencia estéreo. Durante la última década, el aprendizaje profundo —en especial las redes neuronales convolucionales (CNN)— se ha convertido en la opción dominante para muchas tareas por su capacidad de aprender características jerárquicas a partir de grandes conjuntos de datos etiquetados. El entrenamiento y la inferencia también están condicionados por el hardware: procesadores paralelos como las GPU y los aceleradores especializados permiten modelos grandes y procesamiento en tiempo real.

Los sistemas prácticos combinan varios módulos, como preprocesamiento, extracción de características, aprendizaje y posprocesamiento, e integran cada vez más señales multimodales, como audio, lidar y sensores inerciales. Los conjuntos de datos y los desafíos de referencia han sido centrales para el progreso, y han impulsado mejoras en la arquitectura de los modelos, la augmentación de datos y los protocolos de evaluación.

Aplicaciones, desafíos y perspectivas

  • Aplicaciones: vehículos autónomos, diagnóstico por imágenes médicas, inspección industrial, robótica, realidad aumentada, vigilancia y teledetección.
  • Desafíos: sesgo de los datos, cambio de dominio, interpretabilidad, robustez frente a oclusión e input adversario, y preocupaciones de privacidad cuando se aplica a personas.
  • Perspectivas: la investigación avanza hacia modelos más eficientes para dispositivos de borde, mejores formas de aprendizaje no supervisado y auto-supervisado para reducir la necesidad de etiquetado, y una integración más estrecha con otras modalidades de sensado y el razonamiento simbólico.

Para desarrolladores e investigadores que buscan materiales introductorios o recursos de la comunidad, véase lecturas y tutoriales adicionales, donde se revisan conceptos fundamentales, algoritmos representativos y herramientas actuales.