Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación · 2021
Implementar un sistema de reconocimiento e identificación de rostros sobre secuencias de video mediante un modelo de Redes Neuronales Convolucionales y Transfer Learning
En el campo de la biometría y análisis de imágenes se han dado avances importantes en los últimos años, de esta manera, se han formalizado técnicas de reconocimiento facial mediante el uso de redes neuronales convolucionales apoyándose por algoritmos de transfer learning y clasificación. Estas técnicas en conjunto, se pueden aplicar al análisis de video, realizando una serie de pasos adicionales para optimizar los tiempos procesamiento y la precisión del modelo. El propósito de este trabajo es utilizar el modelo ResNet-34 junto con transfer Learning para el reconocimiento e identificación de rostros sobre secuencias de video. (Texto tomado de la fuente).
Texto completo 67 páginas con texto de 70
Leer la tesis completa Ficha en el repositorio
Contenido
- 1. Introducciónp. 17
- 2. Objetivosp. 19
- 2.1.1 Objetivo Generalp. 19
- 2.1.2 Objetivos Específicosp. 19
- 3. Marco teóricop. 20
- Justificación y Motivaciónp. 22
- Revisión de Conceptosp. 24
- 3.2.1 Inteligencia Artificial (AI):p. 24
- 3.2.2 Red Neuronal Artificial (Artificial Neural Network)p. 24
- 3.2.3 Aprendizaje Profundo (Deep Learning)p. 26
- 3.2.4 Redes Neuronales Convolucionales (Convolutional Neural Network)p. 27
- 3.2.5 Transferencia de Aprendizaje (Transfer Learning)p. 28
- 3.2.6 Deep Residual Learningp. 29
- 3.2.7 Aprendizaje Métrico profundo (Deep metric learning)p. 32
- 3.2.8 OpenCV (Open Computer Vision)p. 33
- 3.2.9 Librería Dlibp. 33
- Framework Face Recognitionp. 33
- Vecinos más cercanos (KNN)p. 34
- Tipos de licenciap. 35
- 4. Metodologíap. 36
- 5. Comprensión del negociop. 38
- 6. Preparación de los datosp. 40
- Video para la investigaciónp. 40
- Conjunto de Imágenes para entrenamiento y validaciónp. 40
- 6.2.1 API de búsqueda en la web de Bingp. 41
- 6.2.2 Desarrollo de script en Python para realizar la descargap. 41
- 6.2.3 Limpieza y transformación de datosp. 42
- 7. Preparación de Entorno de trabajop. 45
- Ambiente Localp. 45
- Ambiente en la nubep. 45
- 8. Entrenamiento del modelop. 47
- 9. Evaluación del modelop. 49
- 9.1.1 Experimentos sobre Vídeosp. 52
- 10. Resultadosp. 56
- Conjunto de imágenes de validaciónp. 56
- Conjunto de video clips de validaciónp. 58
- 11. Conclusiones y recomendacionesp. 65
- Conclusionesp. 65
- Recomendacionesp. 65
- Anexo: Tabla de productos generadosp. 67
- Bibliografíap. 68
- Figura 3-1: Ejemplo de Red Neuronalp. 25
- Figura 3-2 Neurona artificial vs Neurona Biológicap. 26
- Figura 3-3: Ejemplo de CNNp. 28
- proceso con Transfer Learningp. 29
- Figura 3-5: Bloque -Aprendizaje Residualp. 30
- Figura 3-6 : Comparación de tres redesp. 31
- Figura 3-7: Entrenamiento por tripletep. 32
- Figura 3-8: Observación de los vecinos más cercanos a xp. 34
- Figura 4-1: Fases de la metodología CRISP-DMp. 36
- Figura 5-1: Estructura jerárquica de carpetas y archivosp. 38
- Figura 6-1: Actores seleccionados para el análisis del videop. 41
- Figura 6-2: Descripción del proceso que hace el script de descargap. 42
- Figura 6-3: Proceso de depuración de imágenesp. 43
- Figura 6-4 : Ejemplo del conjunto de Imágenes de entrenamientop. 44
- facialp. 47
- numéricas con un valor real de 128-d por rostrop. 48
- Facialp. 47
- rostrosp. 53
- Figura 9-4: Resultados de todas las imágenes de validaciónp. 52
- Tabla 6-1: Conjunto de datos de entrenamiento por actorp. 43
- Tabla 6-2: Conjunto de imágenes de validación por actorp. 44
- Tabla 7-1: Características de la placa Jetson Nanop. 45
- Tabla 7-2: Características entorno en la nube Google Colabp. 46
- Tabla 9-1: Descripción de cada video Clipp. 52
- local para la etapa de validación con un dataset de imágenesp. 56
- nube para la etapa de validación con un dataset de imágenesp. 56
- etapa de validación con un dataset de imágenesp. 57
- imágenesp. 40
- Tabla 10-6: Relación de video clips con link de YouTubep. 63
- ambientes, para la etapa de validación con un dataset de vídeosp. 64
- etapa de validación con un dataset de vídeosp. 64