En este trabajo, proponemos considerar la información de una polifonía para la estimación de múltiples alturas (MPE) en grabaciones de música de piano. Con ese objetivo, proponemos un método para la estimación local de polifonía (LPE), que se basa en redes neuronales convolucionales (CNN) entrenadas de manera supervisada para predecir explícitamente el grado de polifonía. Investigamos dos representaciones de características como entradas a nuestro método, en particular, la Transformada Constant-Q (CQT) y su extensión reciente, Folded-CQT (F-CQT). Para evaluar el rendimiento de nuestro método, realizamos una serie de experimentos en grabaciones reales y sintéticas de piano basadas en los conjuntos de datos de Sonidos de Piano Alineados con MIDI (MAPS) y Datos Musicales de Saarland (SMD). Comparamos nuestros enfoques con un método de transcripción de piano de última generación informando dicho método con el conocimiento de LPE en una etapa de postprocesamiento. Los resultados experimentales sugieren que el uso de información explícita de LPE puede refinar las predicciones de MPE. Además, se muestra que, en promedio, la representación CQT es preferida sobre F-CQT para LPE.