Desarrollo de una app de reconocimiento facial con técnicas de inteligencia artificial

Abstract

En este proyecto se ha desarrollado una APP para reconocimiento facial que usa una técnica holística de inteligencia artificial llamada FaceNet. La aplicación se ha desarrollado para dispositivos IOS, pero la técnica principal no depende del tipo de dispositivo y podría extrapolarse a otros medios electrónicos. La App desarrollada permite: añadir un nuevo usuario, eliminar un usuario y reconocer a un usuario que ha sido previamente dado de alta en la base de datos del sistema.

En el proyecto también se ha analizado la robustez del algoritmo empleado frente a distintas situaciones que pueden darse en los datos de entrada. Estos análisis demostraron que la robustez del sistema original podía mejorarse y, por ese motivo, se han preparado funciones de pre-procesado de las imágenes y se han investigado elementos para la generación de datos artificiales (sintéticos) a través de GANs (Generative Adversarial Networks. Se podrían usar variantes de las GANs (HoloGAN o StyleGAN, por ejemplo) para crear un extenso conjunto de datos para cada usuario a partir de una o varias imágenes suyas, y este conjunto de datos podría emplearse para entrenar un algoritmo más robusto o un clasificador que mejore la eficiencia de la técnica que se ha usado en este proyecto.

This project presents the development of a facial recognition App that uses a holistic technique of artificial intelligence called FaceNet. The App was developed for IOS devices, but the main technique is not dependent on these devices and is easily extrapolated to other electronic media. The App developed with this technique has the functions of being able to add new users to the system, delete users and recognize users who are in the database of the system.

This project also presents analysis of the robustness of the model developed against the different situations that can be found in the application input data. These analyses showed that the model can continue to be made more robust and as a result of these, several image pre-treatment improvements were carried out and improvements related to the synthetic generation of data through GANs (Generative Adversarial Networks) were investigated. With different variants of the GAN technique, such as HoloGAN or StyleGAN, we would seek to create a set of data for each user from one or a few images of it. These extensive datasets of each user would train a more robust model or user´s classifier and improve the efficiency of the technique used in this project.