Actas-de-reunión.md

 # Índice
 
+- [21 de abril 2022](#21-de-abril-2022)
 - [8 de abril 2022](#8-de-abril-2022)
 - [31 de marzo 2022](#31-de-marzo-2022)
 - [16 de marzo 2022](#16-de-marzo-2022)
@@ -20,6 +21,17 @@
 - [27 de mayo 2021](#27-de-mayo-2021)
 - [13 de mayo 2021](#13-de-mayo-2021)
 
+# 21 de abril 2022
+
+Se presentó la curva Precision-Recall graficada en base al dataset WIDER Face, y se discutió cuál sería el mejor punto de corte para la confianza en la tarea de detección. Sobre esto, se definió que utilizar el método del codo es la mejor alternativa. Se había planteado la posibilidad de sacrificar un poco la precisión para obtener mejor recall, pero como en el caso de uso de la RoboCup los rostros a detectar se encontrarán relativamente cerca de la cámara del robot, no debería haber problemas de recall, y es prioritario tener buena precisión para que el ruido no afecte la prueba. De todas formas, **esta discusión será plasmada en el informe final del proyecto**.
+
+Sobre la ejecución de las pruebas, se resolvió construir un instructivo para entregarle a los sujetos de prueba, en el cual se ilustre las posiciones esperadas de los rostros en cada toma. 
+
+**Los próximos pasos son:**
+- Elaborar el instructivo mencionado.
+- Construir la base de datos para ejecutar las pruebas.
+- Ejecutar las pruebas ya implementadas en un entorno nativo, comenzando por la 1_1.
+
 # 8 de abril 2022
 
 Se discutió con los tutores el inconveniente que surge de especificar una prueba en un escenario real para determinar el punto de corte de confianza para la detección: es imprevisible saber qué objetos serán erróneamente detectados como rostros. La solución que se determinó en conjunto con los tutores es utilizar el dataset WIDER Face para determinar el punto de corte, teniendo en cuenta que el equipo ya tiene el resultado de las ejecuciones de los modelos para dicho dataset. Es preciso entonces desarrollar un script que compare las detecciones esperadas con las reales, pero para ello se debe tener en cuenta que para cada imágen pueden existir múltiples detecciones. Entonces, es imperativo determinar qué detección se relaciona con qué anotación, para lo cual se considerará que una detección está asociada a una anotación cuando es la IoU mayor al 50% más coincidente. Una vez definidas estas asociaciones, se tendrá para cada predicción si esta era realmente un rostro o no, así como aquellos rostros para los cuales no hubo ninguna predicción. Con esta información se puede invocar la función _precision_recall_curve_ de _sklearn_ para obtener una asociación uno a uno entre puntos de corte para la confianza, y valores de precisión y recall, pudiendo finalmente determinar un punto de corte óptimo.