Reconocimiento facial : FaceNet y AWS rekognition

• Autores: Diaz y Diaz, Juan Francisco
• Año de publicación: 2020
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Di Pasquale, Ricardo
• Fuente: Trabajo final de grado. Pontificia Universidad Católica Argentina. Facultad de Ingeniería y Ciencias Agrarias. 2020
• Materia: INGENIERIA INFORMATICA; NUEVAS TECNOLOGIAS; HERRAMIENTAS INFORMATICAS; RECONOCIMIENTO FACIAL
• Institución: Pontificia Universidad Católica Argentina

Fil: Diaz y Diaz, Juan Francisco. Pontificia Universidad Católica Argentina. Facultad de Ingeniería y Ciencias Agrarias; Argentina
Resumen: La evolución de tecnología y las comunicaciones nos ha permitido representar nuestro entorno en formato digital tanto en texto como en imágenes y video. La digitalización del medio que nos rodea dió la posibilidad de capturar grandes conjuntos de datos dando lugar a conceptos como "Big Data". Muchos de estos conjuntos pueden ser descargados gratuitamente de Internet e incluso hay competencias como ILSVRC (ImageNet Large Scale Visual Recognition Challenge) y COCO (Common Objects in Context) , entre otros, donde se ponen a prueba algoritmos de clasificación de imágenes. El desafío que propone Big Data no radica únicamente en el manejo de grandes conjuntos de datos sino también en el valor que podamos obtener de estos. Como consecuencia surge la necesidad de poder extraer patrones a partir de esta información de manera simple e involucrando lo menos posible al ser humano. La solución a este desafío que ha ganado auge durante la última década es "Deep Learning" y esto se debe no solo a la habilidad de acceder fácilmente a dichos conjuntos de datos sino también al avance en la capacidad de cómputo tanto de CPU como GPU y la disponibilidad de herramientas que permiten enfocarse en el desarrollo de la idea y no en la complejidad del problema. Podemos destacar herramientas como Scikit-learn, Tensorflow, Keras y servicios en cloud que permiten implementar Machine Learning y Deep Learning de manera accesible, sencilla y en poco tiempo. En este trabajo se implementará un algoritmo de reconocimiento facial y se lo comparará con un servicio similar en cloud. Para poder dar contexto a la solución, se repasará brevemente la historia de Machine Learning desde sus comienzos en 1950 con la definición de la primer neurona Perceptron a su rápida evolución en la última década. También será necesario desarrollar conceptos teóricos de Machine Learning, haciendo énfasis en la clasificación de imágenes utilizando Neural Networks y Deep Learning. La implementación estará dividida en dos partes, la primera basada en el paper " FaceNet: A Unified Embedding for Face Recognition and Clustering " donde se utilizará el concepto de transfer learning para extender y aplicar un modelo preexistente sobre un conjunto de datos. La segunda implementación estará basada en el servicio cloud " AWS Rekognition ". Estas dos implementaciones permitirán no solo utilizar conceptos de Deep Learning sino también realizar comparativas de: ● Costos ● Complejidad ● Performance ● Nivel de confianza en las predicciones ● Escalabilidad de la solución