multi-patch de una sola etapa (single-stage), capaz de fusionar de manera eficiente información local y global.
Este enfoque permite generar representaciones ricas y complementarias sin comprometer la eficiencia computacional.
📖 El artículo está disponible en acceso abierto (Open Access):
👉 https://doi.org/10.1016/j.inffus.2026.104214
Un enfoque innovador para la detección de anomalías
La detección de anomalías es un problema clave en ámbitos como la industria, la manufactura avanzada o el control de calidad automatizado.
MuDeNet propone una arquitectura que:
- Integra información local y global en una sola etapa de procesamiento.
- Optimiza el equilibrio entre precisión y coste computacional.
- Ofrece resultados sólidos en múltiples benchmarks de detección de anomalías estructurales y lógicas.
Este tipo de avances resulta especialmente relevante en escenarios reales de inspección visual, donde los modelos deben ser no solo precisos,
sino también escalables y eficientes.
Consolidando la línea de investigación en Computer Vision
Esta publicación refuerza la línea estratégica del grupo MINERVA en áreas como:
- Computer Vision
- Detección de anomalías
- Deep Learning aplicado a problemas industriales
- Fusión de información (Information Fusion)
El trabajo se enmarca dentro del compromiso del grupo por desarrollar modelos robustos, escalables y aplicables a entornos reales,
contribuyendo al avance del conocimiento en inteligencia artificial y visión por computador.