Entrenamiento en vivo

Los resultados de aptitud del entrenamiento en vivo se pueden observar en la Tabla 9. Tabla 9: Comparaci ´on de aptitud en la etapa de entrenamiento (promedio inicial, promedio final, y

mejor individuo) y la etapa de pueba para el entrenamiento en vivo.

Prom. inicial Prom. final Mejor individuo Prom. en pruebas FOA 3.18±7.14 47.71±18.49 77.18 17.65±25.92

FOA-LDA 6.78±10.58 34.55±14.07 57.39 18.18±21.75

FOA-HDA 1.62±1.62 11.58±4.82 47.58 1.71±3.95

Con el entrenamiento en vivo se pueden observar resultados muy diferentes, en com- paraci ´on con el entrenamiento con bases de im ´agenes. Para empezar, las gr ´aficas de la aptitud en el proceso evolutivo para FOA (Figura 59) muestran que el valor de aptitud del mejor individuo fue mayor que con la base de im ´agenes. Las gr ´aficas de las figuras 72 y 85 muestran que, en los nuevos algoritmos, el mejor individuo disminuy ´o en el m ´aximo de aptitud alcanzada. Tambi ´en, contrario al entrenamiento con base de im ´agenes, el al- goritmo de FOA alcanz ´o mayor aptitud, despu ´es FOA-LDA, y finalmente FOA-HDA con la menor aptitud.

Sin embargo, los resultados de la etapa de prueba muestran lo contrario a los resul- tados de aptitud en la evoluci ´on (v ´ease las tablas 5, 6 y 7). La aptitud de las soluciones encontradas por FOA baj ´o hasta 17.65 % (±25.92), los positivos verdaderos quedaron en 26.03 % (±37.06 %), y estos s ´olo componen el 14.02 % (±21.70 %) del proto-objeto.

Los nuevos algoritmos obtuvieron mejores resultados en la etapa de prueba, pero no mejores que los entrenados con bases de im ´agenes. Las soluciones de FOA-LDA alcanzaron una aptitud de 18.18 % (±21.75 %), con un 41.37 % (±41.85 %) de positivos verdaderos, los cuales formaron el 12.79 % (±16.40 %) del proto-objeto. Para FOA-HDA la aptitud baj ´o hasta 1.71 % (±3.95 %); logr ´o cubrir un 64.31 % (±36.35 %) de positivos verdaderos, pero estos s ´olo representaron 0.91 % (±2.26 %) del proto-objeto.

Los resultados obtenidos muestran s ´olo una cosa: el m ´etodo de entrenamiento no puede ser utilizado con el algoritmo que se sigui ´o para la modalidad “en vivo”. En esta secci ´on se explica porqu ´e y qu ´e es lo que falta para lograr que el entrenamiento en vivo funcione.

Se debe recordar que el algoritmo de FOA produce soluciones a partir del entre- namiento realizado con la programaci ´on gen ´etica. Este m ´etodo utiliza un conjunto de im ´agenes de entrenamiento para comprobar la capacidad de las soluciones que constru- ye. Esta capacidad se mide por medio de una funci ´on de aptitud, y este valor de aptitud queda asignado a su individuo para despu ´es ser el valor que gu´ıa al m ´etodo de selecci ´on. En un entrenamiento, la base de im ´agenes no cambia, y por tanto el valor de aptitud que tiene un individuo es v ´alido para tal grupo de im ´agenes aunque se trate de una nueva generaci ´on. Es aqu´ı donde surgen los problemas para la modalidad “en vivo”.

Suponga que se tienen un conjunto de individuos de una generaci ´onN, a los cuales se les calcula su valor de aptitud en base a las im ´agenes de entrenamiento designadas para el experimento. Se guarda el mejor individuo, y para la siguiente generaci ´on se realiza una selecci ´on por alg ´un m ´etodo (e.g., selecci ´on por ruleta). Entonces la generaci ´onN+ 1 est ´a compuesta de nuevos individuos y el mejor de la generaci ´on anteriorN, designado

como best sol. Como la base de im ´agenes sigue siendo la misma, el individuo best sol

es tan bueno en la nueva generaci ´on como lo era en la anterior. Esto ya no es v ´alido para los entrenamientos “en vivo”.

En un entrenamiento “en vivo”, ya no se garantiza que el individuo best sol sea tan bueno en la generaci ´on N + 1 como lo fue en la generaci ´on N. Esto quiere decir que existe el peligro de que al final del proceso evolutivo, el mejor individuo no sea aquel que

ha mejorado con el tiempo en base al mismo grupo de im ´agenes, sino alg ´un individuo que casualmente fue mejor que los dem ´as para la ´ultima generaci ´on, nada m ´as. As´ı como no hay garant´ıa de que el mejor individuo de la generaci ´onN sea igual de bueno paraN+ 1, tampoco se puede asegurar que el mejor individuo de la generaci ´on N + 1 haya sido bueno en las generaciones anteriores. Esto explica el comportamiento de altas y bajas en las gr ´aficas de la evoluci ´on de aptitud para los experimentos de entrenamiento “en vivo” (V ´ease las figuras 59, 72 y 85) en comparaci ´on con el entrenamiento con base de im ´agenes (v ´ease las figuras 19, 33 Y 46).

Es evidente entonces que el m ´etodo de evoluci ´on debe ser modificado para que pue- da funcionar con una base de im ´agenes que cambia en cada generaci ´on, con la ´unica garant´ıa de que las nuevas im ´agenes de entrenamiento siguen siendo del mismo objeto. El c ´alculo de aptitud debe ser diferente; ya no puede depender s ´olo de la aptitud del mo- mento. Un individuo que lo hizo mal en la nueva generaci ´on a ´un puede ser ´util; por otro lado, un individuo que lo hizo muy bien en la generaci ´on presente, puede en realidad no ser tan bueno para las dem ´as generaciones. Adicionalmente, puede que se necesite m ´as de una fotograf´ıa por generaci ´on, para ayudar a que el c ´alculo de la aptitud tenga m ´as resultados para trabajar.

Gracias a los resultados obtenidos, se puede seguir trabajando para construir un m ´eto- do de entrenamiento “en vivo”, buscando soluciones para los problemas que han sido expuestos por estos experimentos.