Diseño de metodología para caracterizar texturas presentes en imágenes de proyectiles disparados por armas de fuego, con el fin de realizar cotejo automático
Bibliographic record
Abstract
La comparacion entre imagenes de proyectiles, disparados por armas de fuego, llevada a cabo por los tecnicos en balıstica es una tarea que lleva mucho tiempo realizar, debido a que esta es llevada a cabo usando solo la memoria visual y la experiencia del tecnico para comparar texturas presentes en la imagen del proyectil objeto de prueba y la imagen del proyectil incriminado, lo anterior representa una enorme limitacion a la hora de usar este tipo de evidencia en una corte o juzgado. Ahora bien, hace ya varios años en diferentes paıses del mundo, tales como Estados Unidos, Canada, y Australia entre otros, los entes encargados de hacer cumplir la ley han llevado acabo investigaciones para desarrollar dispositivos que puedan capturar las imagenes de proyectiles y vainillas relacionados con investigaciones judiciales, luego usando procesamiento digital de imagenes dotar de caracterısticas cuantitativas a los patrones presentes en proyectiles y vainillas disparadas, para facilitar y agilizar la tarea de identificacion de armas de fuego. En este tipo de desarrollo se parte de la premisa que marcas caracterısticas son impresas sobre el proyectil y la vainilla cuando un arma de fuego es disparada. Ademas, la hipotesis asume una combinacion unica de marcas tal que la probabilidad de encontrar dos conjuntos identicos de marcas es practicamente nula [1]. Al rededor de treinta caracterısticas de estas marcas pueden ser distinguidas, las cuales siendo combinadas pueden producir una “huella digital” del arma de fuego. Analizando las caracterısticas de un conjunto de huellas digitales de armas, sera posible identificar no solo el tipo y modelo del arma de fuego, sino que tambien cada arma en particular de manera tan efectiva como la huella digital humana identifica cada individuo [2]. El desarrollo de la metodologıa consta del estudio, analisis y aplicacion de las tecnicas usadas en cada una de las etapas que consta el procesamiento de imagenes digitales, tales como adquisicion, preprocesamiento, segmentacion, representacion y descripcion, clasificacion y reconocimiento. En la etapa de descripcion donde se lleva cabo la extraccion de caracterısticas, se propone el uso de informacion espectral y estadıstica de las texturas presentes en la imagen.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".