Réplica a Participación Principal - Semana 2

Autor: Neheman Samir Jaller Cerchiaro | Grupo 10

¡Excelente aporte, Alexander!

No voy a mentir, el ejemplo que presentas del SIRFAJ en entornos de estrados judiciales ilustra perfectamente por qué la teoría de la convolución no es solo un ejercicio académico, sino una necesidad real para evitar los falsos positivos en modelos de machine learning de alta sensibilidad.

Complementando tu justificación y el análisis que hace el profesor sobre cómo la matriz matemática afecta directamente el resultado visual, quiero centrarme en una variable crítica: el tamaño del Kernel. En tu secuencia utilizaste una ventana de 3x3, ideal para extraer detalles precisos. Sin embargo, ¿qué pasa si aumentamos ese tamaño a 5x5?

Secuencia 2 - Variación de Variable (Tamaño de Kernel: 5x5)
A continuación, presento la misma secuencia de cinco filtros aplicada a la misma imagen base, pero esta vez utilizando un Kernel convolucional de 5x5.

[NOTA: Insertar aquí la captura de pantalla de los resultados de la carpeta 'resultados_k5']

Al revisar los resultados que obtuve corriendo nuestra rutina en Python con el parámetro k=5, lo que me llama la atención es el claro efecto de "trade-off" (compromiso) que asume el algoritmo:

El Filtro de Suavizado (Blur) se vuelve mucho más agresivo. La imagen pierde gran parte de su definición, lo cual puede ser útil si intentamos censurar rostros o placas vehiculares (como mencionaba el profesor en la clase), pero es destructivo si buscamos características faciales minuciosas.
En los Filtros de Bordes (Laplaciano y Sobel horizontal), la línea detectada se vuelve más gruesa. Las características sutiles desaparecen, dejando únicamente las líneas estructurales dominantes.
El margen negro u oscuro alrededor del borde de la imagen resultante se incrementa. Como la ventana ahora necesita más "vecinos" (2 píxeles en lugar de 1 alrededor del píxel central), perdemos más información geométrica en los extremos de la fotografía.

En conclusión a este punto, coincido contigo en que el procesamiento es vital, pero me gustaría añadir que la calibración del filtro es igual de importante que su selección. Un kernel mal dimensionado puede destruir las características (features) de la imagen antes de que la red neuronal siquiera las vea.