<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Domain Shift on </title>
    <link>https://juanmanuel.petrer.eu/tags/domain-shift/</link>
    <description>Recent content in Domain Shift on </description>
    <generator>Hugo</generator>
    <language>es</language>
    <lastBuildDate>Sat, 04 Jul 2026 00:00:00 +0000</lastBuildDate>
    <atom:link href="https://juanmanuel.petrer.eu/tags/domain-shift/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>vcalib: filtros de calibración diferenciables para RF-DETR bajo cambios de iluminación</title>
      <link>https://juanmanuel.petrer.eu/proyectos/vcalib/</link>
      <pubDate>Sat, 04 Jul 2026 00:00:00 +0000</pubDate>
      <guid>https://juanmanuel.petrer.eu/proyectos/vcalib/</guid>
      <description>&lt;blockquote&gt;&#xA;&lt;p&gt;Cuando cambia la luz, un detector entrenado en otras condiciones se degrada. La respuesta habitual es recoger datos, etiquetar, reentrenar y redesplegar. vcalib explora la respuesta barata: dejar el modelo congelado y ajustar, en minutos y sin etiquetas, un filtro diminuto que corrige la entrada.&lt;/p&gt;&lt;/blockquote&gt;&#xA;&lt;h2 id=&#34;el-problema&#34;&gt;El problema&lt;/h2&gt;&#xA;&lt;p&gt;RF-DETR es un detector en tiempo real del estado del arte y, como casi cualquier modelo de visión, es sensible a la iluminación: amanecer frente a atardecer, interior frente a nublado, una cámara nueva, una planta nueva. Cuando la distribución de entrada se aleja de la de entrenamiento, la calidad de detección cae. Reentrenar o hacer fine-tuning es caro, necesita etiquetas y es poco práctico en dispositivos edge.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
