Uso de CNN y Few-shot Learning para el reconocimiento de aves en el estado de Chihuahua y sus implicaciones ornitológicas

Abstract

El presente trabajo aborda el uso de redes neuronales convolucionales (CNN) en combinación con técnicas de few-shot learning para el reconocimiento de aves en categorías de riesgo en el estado de Chihuahua. El objetivo central es desarrollar modelos basados en la arquitectura VGG capaces de identificar especies con un número limitado de imágenes disponibles, optimizando así los esfuerzos de conservación de la biodiversidad. La metodología implementada incluyó la selección y clasificación de imágenes, la aplicación de transformaciones y data augmentation, así como el ajuste de hiperparámetros para mejorar la precisión del modelo. Los resultados muestran que el sistema logra clasificar correctamente diversas especies, con mayores porcentajes de reconocimiento en la guacamaya verde, el loro corona lila y el halcón peregrino, lo cual se atribuye tanto a la prominencia de colores distintivos como a patrones de plumaje claramente identificables. Sin embargo, especies con tonalidades más neutras obtuvieron menores niveles de acierto. Estos hallazgos evidencian que la tasa de aprendizaje y la calidad de las imágenes tienen un impacto directo en el rendimiento del modelo. En conclusión, la combinación de CNN y Few-shot Learning representa una herramienta prometedora para apoyar estrategias de monitoreo, identificación rápida y conservación de aves en riesgo.