Máquinas de vectores de soporte (SVM): definición y función en la visión artificial

28 de Junio de 2025

COMPARTIR TAMBIÉN

Las máquinas de vectores de soporte (SVM) son sistemas de visión artificial que desempeñan un papel fundamental en la comprensión de las imágenes por parte de las computadoras. Estos sistemas utilizan máquinas de vectores de soporte para separar diferentes objetos en imágenes, lo que ayuda a las computadoras a reconocer patrones y tomar decisiones. Las SVM utilizan potentes herramientas matemáticas, como el truco del kernel, para optimizar la precisión en tareas como el reconocimiento de patrones y la clasificación de imágenes. Estudios demuestran que las SVM funcionan bien en espacios de alta dimensión, incluyendo imágenes médicas y otras aplicaciones de visión artificial. Si bien el aprendizaje profundo ha ganado popularidad, las SVM siguen siendo una opción confiable para muchos proyectos de aprendizaje automático en el diseño de sistemas.

Puntos clave

Las máquinas de vectores de soporte (SVM) ayudan a las computadoras a reconocer y separar objetos en imágenes al encontrar límites claros llamados hiperplanos.
SVM funciona bien con datos complejos y de alta dimensión, como imágenes médicas y reconocimiento facial, logrando a menudo una alta precisión.
Utilizando kernels, SVM puede manejar datos que no se separan fácilmente mediante una línea recta, mejorando su capacidad para clasificar imágenes correctamente.
Extracción y selección de características Mejore el rendimiento de SVM centrándose en los detalles importantes de la imagen y reduciendo el tiempo de procesamiento.
SVM se utiliza ampliamente en aplicaciones del mundo real como la inspección industrial y las imágenes médicas, ofreciendo resultados confiables y precisos incluso con datos limitados.

Descripción general de las máquinas de vectores de soporte

Principios de SVM

Las máquinas de vectores de soporte pertenecen a un grupo de algoritmos de aprendizaje supervisado. Estos algoritmos ayudan a las computadoras a aprender de datos de entrenamiento etiquetados. Las máquinas de vectores de soporte son eficaces para tareas de clasificación, regresión y detección de valores atípicos. En un problema típico de clasificación binaria, el algoritmo intenta separar dos grupos en los datos. Para ello, encuentra una línea o un plano, llamado hiperplano, que divide los grupos con la mayor claridad posible.

El objetivo principal de un SVM es maximizar el margen. El margen es la distancia entre el hiperplano y los puntos más cercanos de cada grupo. Estos puntos más cercanos se denominan vectores de soporte. Los vectores de soporte desempeñan un papel fundamental, ya que definen la posición y la dirección del hiperplano. Si el margen es amplio, es más probable que el clasificador realice predicciones correctas con los nuevos datos.

Nota: Las máquinas de máquinas de escribir (SVM) utilizan funciones de kernel para procesar datos que no se pueden separar mediante una línea recta. Los kernels transforman los datos a un espacio de mayor dimensión, lo que facilita la búsqueda de un hiperplano divisor.

Las SVM tienen bases teóricas sólidas en aprendizaje automáticoLa dimensión de Vapnik-Chervonenkis (VC) ayuda a explicar por qué las SVM pueden generalizarse fácilmente a nuevos datos. Esto significa que pueden realizar predicciones precisas incluso con datos complejos.

Cómo funciona SVM

El algoritmo de la máquina de vectores de soporte comienza tomando datos de entrenamiento etiquetados. Busca el hiperplano óptimo que separa las clases. El algoritmo utiliza únicamente los vectores de soporte para definir este hiperplano. Este enfoque en los puntos de datos clave hace que las máquinas de vectores de soporte sean eficientes y robustas.

El problema de optimización para las máquinas de modelado de valores (SVM) busca minimizar el tamaño del vector de ponderación, manteniendo la clasificación correcta de los puntos de datos. La fórmula matemática para esto es:

Minimize: (1/2) * ||w||^2
Subject to: y_i (w^T x_i + b) ≥ 1 for all training samples

Aquí, w es el vector de ponderación, b es el sesgo, x_i es un punto de datos de entrenamiento e y_i es su etiqueta. Si los datos no son perfectamente separables, el algoritmo introduce variables de holgura. Estas permiten que algunos puntos se encuentren en el lado incorrecto del margen, lo que facilita el manejo del modelo con datos reales.

Las máquinas de modelado de señales (SVM) funcionan bien en espacios de alta dimensión, como los datos de imágenes. Por ejemplo, los estudios demuestran que las SVM pueden alcanzar una precisión superior al 95 % en tareas de clasificación de imágenes cuando se combinan con métodos de extracción de característicasSin embargo, las máquinas de modelado de señales (SVM) pueden enfrentar desafíos como el sobreajuste y un alto costo computacional, especialmente con grandes conjuntos de datos. Los investigadores utilizan técnicas como la reducción de dimensionalidad, la regularización y kernels avanzados para mejorar el rendimiento.

Medida/Concepto	Descripción	Función en la optimización de SVM para datos de imágenes
Objetivo de maximización de márgenes	Minimiza (1/2)*	w	^2 manteniendo los datos correctamente clasificados	Garantiza una separación sólida entre las clases de datos de imagen al maximizar el margen.
Número de vectores de soporte	Puntos de datos críticos que definen el hiperplano	Reduce la complejidad computacional al centrarse en muestras representativas.
Condiciones KKT	Selecciona vectores de soporte y elimina vectores que no son de soporte	Permite reducir el tamaño de la muestra conservando la precisión de la clasificación.
Estimación de la dimensión intrínseca	Analiza el vínculo entre los vectores de soporte y la complejidad de los datos.	Ayuda en la reducción de la dimensionalidad y el manejo eficiente de datos de imágenes de alta dimensión.

Las máquinas de modelado de secuencias (SVM) siguen siendo una opción popular en el aprendizaje automático para problemas de clasificación. Ofrecen un rendimiento excelente, especialmente cuando se eligen el kernel y los parámetros adecuados. Si bien otros algoritmos, como el Bosque Aleatorio y la Regresión Logística, pueden ejecutarse más rápido en grandes conjuntos de datos, las SVM suelen ofrecer una mayor precisión cuando se ajustan correctamente. Los modelos híbridos y la selección automatizada de características siguen mejorando la eficiencia y la escalabilidad de las SVM.

SVM en visión artificial

Clasificación de imagen

Los sistemas de visión artificial de máquinas de vectores de soporte (SVM) ayudan a las computadoras a analizar y clasificar imágenes en diferentes grupos. Estos sistemas utilizan conjuntos de datos de clasificación de imágenes etiquetados para aprender a distinguir objetos. Por ejemplo, en el reconocimiento facial, el sistema analiza imágenes de rostros con diferentes expresiones y ángulos. Aprende a identificar a cada persona al encontrar patrones en los rasgos de sus rostros.

Un sistema de visión artificial con máquinas de vectores de soporte (SVM) utiliza un límite de decisión, llamado hiperplano, para separar las diferentes clases de datos. El sistema intenta que este límite sea lo más amplio posible para clasificar correctamente imágenes nuevas que no ha visto antes. Esta capacidad de generalización convierte a las SVM en una excelente opción para muchas tareas de procesamiento de imágenes.

Los investigadores han probado SVM en numerosos problemas del mundo real. En un estudio, un sistema de visión artificial con máquinas de vectores de soporte (SVM) que utiliza un kernel RBF logró una precisión superior al 95 % en el reconocimiento facial. En otro estudio, SVM se utilizó para clasificar imágenes de tumores cerebrales y alcanzó un AUC de 0.91, lo que demuestra un excelente rendimiento en el análisis de imágenes médicas. En teledetección, SVM gestionó imágenes satelitales multiespectrales y logró una alta precisión de clasificación, incluso con desequilibrio de clases en los datos.

Casos de éxito	Dominio de la aplicación	Descripción del conjunto de datos/tarea	Variante/núcleo de SVM	Métrica de rendimiento	Resumen de los resultados
Reconocimiento de rostros	Clasificación de imágenes faciales	Conjunto de datos con expresiones y ángulos variados	Núcleo RBF	Exactitud	Más del 95% de precisión al distinguir identidades
Análisis de imagen médica	Clasificación de tumores	Imágenes de resonancia magnética de tumores cerebrales segmentados	SVM estándar	AUC (Área bajo la curva ROC)	AUC de 0.91 que indica una clasificación fuerte
Clasificación de imágenes de teledetección	Clasificación de la cobertura terrestre	Datos satelitales multiespectrales y multitemporales	SVM estándar	Exactitud de clasificacion	Precisión superior, abordando el desequilibrio de clases

Svm puede trabajar con muchas funciones a la vez, como el color, la forma y la textura. En el procesamiento de imágenes, el sistema suele utilizar la extracción de características para identificar los detalles más importantes de cada imagen. Esto ayuda al clasificador a centrarse en lo más importante para la tarea. Los estudios demuestran que reducir el número de características de miles a poco más de cien puede proporcionar una alta precisión. Por ejemplo, un experimento redujo las características de 27,620 114 a 0.4013 y aun así logró un error cuadrático medio de validación cruzada (RMSECV) de 2 y un coeficiente de determinación (RCV²) de 0.9908. Esto demuestra que SVM puede gestionar conjuntos de datos grandes y complejos y, a la vez, realizar predicciones precisas.

El SVM también funciona bien en situaciones difíciles. Por ejemplo, en la detección de incendios forestales, los investigadores utilizaron diferentes núcleos y descubrieron que el núcleo gaussiano superó a los demás. El sistema gestionó datos de imágenes de alta dimensión mejor que la regresión logística, especialmente cuando las imágenes presentaban muchos detalles.

Reconocimiento de formas

El reconocimiento de patrones es otra función importante de los sistemas de visión artificial de las máquinas de vectores de soporte (SVM). Estos sistemas ayudan a las computadoras a encontrar y comprender patrones en datos visuales, como escritura a mano, texto impreso u objetos en una escena. En el reconocimiento óptico de caracteres, el sistema aprende a distinguir letras y números, incluso cuando la escritura es imprecisa o las imágenes tienen ruido.

Svm utiliza su límite de decisión para separar diferentes patrones. El sistema busca la mejor manera de dividir los datos para poder reconocer nuevos patrones posteriormente. Esto convierte a Svm en una excelente opción para el reconocimiento de caracteres y otras tareas de reconocimiento de patrones en visión artificial.

Los investigadores han estudiado el funcionamiento del SVM en el reconocimiento de patrones mediante métodos estadísticos. Por ejemplo:

Los científicos utilizaron la teoría de la información y la mecánica estadística para estudiar imágenes de rayos X de avellanas. Encontraron dos escalas estadísticas clave que afectan la capacidad del sistema para reconocer patrones.
La relación entre estas escalas y la resolución de la imagen influyen en la precisión de la clasificación.
Los experimentos con svm confirmaron que existe una resolución óptima para reconocer patrones.
Los resultados se promediaron en muchas muestras de entrenamiento para garantizar que fueran confiables.
El estudio demostró que separar escalas y promediar resultados puede mejorar el reconocimiento de patrones basado en svm en datos visuales.

El SVM también puede detectar pequeños cambios en las características de la imagen. En imágenes médicas, un SVM de una sola clase detectó una deriva poblacional en los datos de diagnóstico. Con un nivel de ruido bajo, el sistema clasificó erróneamente solo 27 de 10,000 XNUMX muestras de prueba. A medida que aumentaba el ruido, aumentaban las clasificaciones erróneas, lo que demuestra que el SVM es sensible a los cambios en las características derivadas de la imagen.

Svm destaca en visión artificial por su capacidad para manejar numerosas características y trabajar con muestras de entrenamiento limitadas. En un estudio, Svm clasificó a los lectores según sus patrones de movimiento ocular, utilizando conjuntos de características complejos. El sistema logró una alta precisión predictiva, con un error cuadrático medio de 0.4013 y un coeficiente de determinación de 0.9908 después de... selección de características.

Las máquinas de vectores de soporte (SVM) siguen desempeñando un papel fundamental en la visión artificial. Ofrecen un excelente rendimiento tanto en la clasificación de imágenes como en el reconocimiento de patrones. Si bien el aprendizaje profundo se ha popularizado, las SVM siguen siendo un clasificador fiable, especialmente cuando el conjunto de datos es pequeño o las características están bien seleccionadas. Las SVM también funcionan bien en combinación con otras técnicas de procesamiento de imágenes, lo que las convierte en una herramienta valiosa para numerosas aplicaciones de visión artificial.

Extracción de características y kernels

Extracción de características en visión artificial

Extracción de características Desempeña un papel fundamental en la visión artificial. Ayuda a las computadoras a encontrar detalles importantes en las imágenes. En el procesamiento de imágenes, los algoritmos de extracción de características buscan patrones como bordes, texturas y formas. Estos patrones ayudan al sistema a comprender el contenido de cada imagen. Por ejemplo, las características de textura basadas en niveles de gris, las características de forma y las características estadísticas de primer orden proporcionan información diferente sobre una imagen. Al combinar estas características, pueden mejorar la clasificación de imágenes de una máquina de vectores de soporte.

Los investigadores suelen utilizar la selección de características después de la extracción. Este paso conserva solo las características más útiles. Un estudio sobre imágenes de TC de COVID-19 demostró que el uso conjunto de la extracción y selección de características aumentó la precisión del modelo del 75 % al 85 %. El número de características se redujo de más de 100 a aproximadamente 20, lo que agilizó y facilitó el uso del modelo. La siguiente tabla muestra estas mejoras:

Métrico	Antes de la selección de funciones	Después de la selección de funciones
Numero de funciones	Más de 100	Acerca de 20
Precisión del modelo	75%	85%
Valor de la función de pérdida	Más alto	Más Bajo
Tiempo de Procesamiento	Más	Shorter
Dimensionalidad	Alta	Reducción

La extracción de características también mejora el rendimiento en la fabricación. La precisión de la inspección puede aumentar del 85-90 % a más del 99.5 %. La velocidad de procesamiento mejora y la tasa de defectos se reduce en un 75 %. Estos resultados demuestran que la extracción de características es vital para sistemas de visión artificial eficientes y precisos.

Funciones del kernel en SVM

Las funciones kernel ayudan a las máquinas de vectores de soporte a gestionar datos complejos. El truco del kernel permite a la máquina de vectores de soporte encontrar patrones que no son fáciles de ver en los datos originales. Al usar este truco, la máquina de vectores de soporte puede trabajar en un espacio de mayor dimensión sin necesidad de cálculos adicionales. Los tipos de kernel más comunes incluyen los kernels lineales, polinómicos y de función de base radial (RBF).

Los estudios comparan cómo diferentes kernels afectan el rendimiento de SVM. Por ejemplo, el kernel RBF suele ofrecer los mejores resultados. En un estudio, el kernel RBF alcanzó un AUC de 0.833, mientras que el kernel lineal obtuvo 0.716 y el kernel sigmoideo 0.680. Los kernels polinomiales pueden ajustar bien los datos de entrenamiento, pero pueden sobreajustarse y tener un rendimiento inferior con datos nuevos. La siguiente tabla muestra estos resultados:

Función del núcleo	AUC (Métrica de rendimiento)	Notas sobre el rendimiento y el sobreajuste
RBF	0.833	AUC más alto, mejor rendimiento general, bajo sobreajuste
Lineal (LN)	0.716	Rendimiento moderado, predicción ligeramente mejor en la validación
Sigmoide (SIG)	0.680	Rendimiento más bajo
Polinomio (PL)	Varía según el grado	Un grado alto puede causar sobreajuste

Los investigadores también probaron kernels en numerosos experimentos. El kernel RBF obtuvo el mejor rendimiento, especialmente cuando los datos estaban desequilibrados o tras la selección de características. Las pruebas estadísticas confirmaron que la elección del kernel tiene un gran impacto en los resultados de SVM.

El ajuste de parámetros es importante para obtener el máximo rendimiento de las máquinas de visión artificial (SVM). Ajustar los parámetros del kernel, como el ancho del kernel RBF, ayuda a que el modelo se ajuste mejor a los datos. Este truco del kernel, combinado con un ajuste preciso de parámetros, permite a las SVM resolver numerosos problemas reales en visión artificial.

Aplicaciones del mundo real

Sistemas de visión artificial industrial

Las máquinas de vectores de soporte ayudan a muchas industrias a mejorar sus procesos de inspección y monitoreo. Estos sistemas utilizan SVM para... defectos localizadosDetectar anomalías y clasificar productos en líneas de montaje. Los investigadores han demostrado que los modelos SVM funcionan bien en la detección de amenazas en tiempo real para sistemas de control industrial. Por ejemplo, Fang y sus colegas, en 2024, informaron de una alta precisión al usar SVM para detectar operaciones inusuales. Imran y su equipo, en 2023, también descubrieron que los modelos SVM son robustos y fiables para clasificar amenazas en entornos industriales.

Numerosos estudios comparan el SVM con otros métodos de aprendizaje automático. La siguiente tabla muestra el rendimiento del SVM frente a los modelos de Bosque Aleatorio y CNN en tareas de inspección industrial:

Métrico	Máquina de vectores de soporte (SVM)	Bosque al azar	CNN
Exactitud (%)	92.3	91.5	94.2
Recordar (%)	90.8	88.6	91.7
Puntuación F1 (%)	91.5	90.0	93.0
Tasa de falsos positivos (%)	4.1	4.9	3.2

Los modelos SVM suelen necesitar menos muestras de entrenamiento y presentan menos sobreajuste que los modelos de aprendizaje profundo. Los ingenieros utilizan la regularización y la validación cruzada para aumentar la fiabilidad de los SVM. En la práctica, los sistemas SVM pueden gestionar el desequilibrio de datos y las características de alta dimensionalidad mediante técnicas como SMOTE y la reducción de dimensionalidad. Estas mejoras permiten que los modelos SVM ofrezcan resultados sólidos en visión artificial industrial.

Consejo: La combinación de SVM con algoritmos de refuerzo, como Adaboost, puede aumentar aún más la precisión de la clasificación en las tareas de inspección industrial.

Imagenes medicas

Las máquinas de vectores de soporte desempeñan un papel fundamental en la imagenología médica. Hospitales y clínicas utilizan modelos de máquinas de vectores de soporte para clasificar imágenes, detectar tumores y ayudar a los médicos en el diagnóstico. Los investigadores siguen varios pasos para garantizar el correcto funcionamiento de los modelos de máquinas de vectores de soporte en estos entornos:

Seleccione características importantes de las imágenes utilizando métodos como LASSO.
Entrene modelos SVM con un ajuste cuidadoso de parámetros como gamma y costo.
Construya modelos utilizando secuencias de imágenes individuales o combinadas.
Evalúe el rendimiento con curvas ROC, AUC, sensibilidad y especificidad.
Validar modelos en nuevos conjuntos de datos para comprobar la generalización.
Utilice pruebas estadísticas para comparar resultados entre grupos.
Compare diferentes modelos SVM utilizando pruebas como la prueba de Delong.
Aplicar la validación cruzada para estimar qué tan bien funcionará el modelo en la práctica.

Los médicos y radiólogos a menudo revisar las predicciones de SVM Para confirmar los resultados. Estos pasos ayudan a garantizar que los sistemas SVM brinden un soporte preciso y confiable en imágenes médicas. Si bien el aprendizaje profundo se ha popularizado en los últimos años, SVM sigue siendo una opción confiable cuando los datos son limitados o las características están bien definidas.

Las máquinas de vectores de soporte ayudan a las computadoras a ver y comprender imágenes. Crean límites claros entre objetos y patrones. Las máquinas de vectores de soporte funcionan bien en tareas como la detección de rostros y el reconocimiento de imágenes. La siguiente tabla muestra cómo las máquinas de vectores de soporte mejoran la precisión en casos reales:

Solicitud	Beneficio destacado	Mejora numérica
Detección de la Cara	Creación de límites precisos	Logra hasta un 95% de clasificaciones correctas
Reconocimiento de imagen	Procesamiento eficaz de datos de alta dimensión	Hasta un 40% de aumento en la precisión en comparación con los métodos tradicionales

Los estudiantes e ingenieros pueden explorar los tutoriales de SVM o intentar construir clasificadores de imágenes simples para aprender más.

Preguntas Frecuentes

¿Qué es una máquina de vectores de soporte (SVM)?

Una máquina de vectores de soporte es un tipo de algoritmo informático. Ayuda a las computadoras a separar datos en grupos. Las máquinas de vectores de soporte utilizan matemáticas para dibujar una línea o un plano entre diferentes tipos de datos.

¿Cómo ayuda SVM en la visión artificial?

SVM ayuda a las computadoras a reconocer objetos en imágenes. Encuentra patrones en las imágenes y las clasifica en categorías. Por ejemplo, SVM puede diferenciar entre gatos y perros en fotos.

¿Por qué las SVM utilizan kernels?

Los núcleos ayudan a las máquinas de software de escritura (SVM) a resolver problemas cuando los datos no pueden separarse mediante una línea recta. Los núcleos transforman los datos en un nuevo espacio. Esto facilita que las SVM encuentren una línea divisoria adecuada.