RETO 2

Inspiration El enunciado decía desde el día 1 que el test set tendría modificaciones misteriosas. Esa pista nos inspiró a no conformarnos con un modelo que clasificara bien imágenes limpias, sino a construir algo que aguantara condiciones adversas desde el principio. What it does Clasifica imágenes en 10 categorías de objetos cotidianos con defensa integrada contra ataques adversarios. Por cada imagen genera 36 predicciones combinando 6 técnicas de limpieza de ruido con 6 variaciones de Test Time Augmentation, promediando todas las probabilidades para dar una respuesta robusta. How we built it Fine-tuning de EfficientNet-B3 sobre ImageNet con entrenamiento en dos fases: primero solo la cabeza clasificadora con el encoder congelado, luego fine-tuning completo con learning rate reducido. Añadimos Mixup Augmentation durante el entrenamiento y perturbaciones adversarias simuladas como ruido gaussiano, compresión JPEG y reducción de bits. En inferencia aplicamos un ensemble de defensas de denoising antes de cada predicción. Challenges we ran into El mayor desafío fue el Día 2 — confirmar que el test set tenía ataques adversarios y adaptar el pipeline en tiempo real. También nos confundió que las curvas de entrenamiento mostraban lo que parecía overfitting severo, hasta que entendimos que era un artefacto matemático del Mixup: el modelo ve imágenes mezcladas en train pero se evalúa sobre imágenes puras en validación. Accomplishments that we're proud of Haber anticipado el ataque adversario desde el Día 1 y tener la defensa casi lista cuando se confirmó. Pasar de F1-Macro de 0.945 con el baseline a 0.990, convirtiendo las tres clases más débiles en las más robustas del modelo final. What we learned Que construir para robustez desde el inicio es mejor que reaccionar después. Aprendimos la diferencia práctica entre ataques adversarios y ruido aleatorio, cómo Mixup afecta las métricas de entrenamiento, y que un ensemble de defensas simples puede ser más efectivo que una sola defensa sofisticada. What's next for RETO 2 Entrenamiento adversario formal con FGSM y PGD en el training loop, ensemble de dos arquitecturas distintas, y búsqueda de hiperparámetros con Optuna. Con más tiempo también incorporaríamos datos externos de COCO y Open Images para reforzar las clases con más predicciones fuera del rango esperado