Análisis comparativo de técnicas de deep learning para el reconocimiento de rostros en escenarios abiertos

Abstract

RESUMEN: La detección y reconocimiento de rostros con alta precisión es uno de los aspectos más importante en el desarrollo e implementación de sistemas de seguridad biométricos modernos. Una de las alternativas más robustas para alcanzar esa alta precisión es el uso de redes neuronales convolucionales; sin embargo, los pequeños conjuntos de entrenamiento, el desbalance de clases, las condiciones ambientales y falta de estandarización en los protocolos de captura representan retos mayúsculos. En esta investigación se exploran alternativas para minimizar el impacto del uso de pequeños conjuntos de datos a través de técnicas de aumento de datos (transformaciones genéricas y modelos generativos), en arquitecturas de redes neuronales enfocadas en la detección del rostro. Se encontró que FaceNet fue la arquitectura convolucional que mejor se desempeñó en la tarea de reconocimiento facial haciendo uso del aumento de datos utilizando un autoencoder variacional, además, este enfoque ayuda positivamente a combatir el sobreajuste de los modelos.