DIA 3 - Staged Fine-Tuning en VGG16: Cuando la Resolución de Entrada se Vuelve un Hiperparámetro

​En transfer learning solemos fijar la resolución de entrada como un parámetro más de preprocesamiento, sin cuestionar su impacto real en el aprendizaje del modelo. Pero, ¿qué pasa si tratamos esa resolución como una variable de diseño que evoluciona junto con la red? En esta charla presentamos una estrategia de redimensionamiento progresivo aplicada a VGG16, donde el modelo se entrena en etapas sucesivas de baja a alta resolución, descongelando bloques convolucionales de forma escalonada en cada fase. Analizaremos cómo esta técnica reduce el riesgo de sobreajuste, mejora la eficiencia computacional en las primeras etapas de entrenamiento y produce mejoras estadísticamente significativas frente a un esquema de entrenamiento convencional, validadas mediante pruebas de hipótesis pareadas. Cerramos discutiendo por qué el cómo entrenamos un modelo puede ser tan determinante como la arquitectura que elegimos, con implicancias directas para aplicaciones de visión computacional en dominios de alto riesgo como el diagnóstico médico.