Evaluación de métodos de reconocimiento facial para análisis automático de reportes de Prey

Abstract

El presente trabajo aborda la soluci´on al problema planteado por la empresa de seguridad digital Prey Incorporated [21]. La principal caracter´ıstica de Prey es la capacidad de marcar un dispositivo (notebook, tablet o tel´efono) como perdido. Esto inicia un servicio de reportes que contiene informaci´on del entorno, principalmente fotograf´ıas del dispositivo. Los reportes se generan con un intervalo de 2 minutos hasta que el administrador o administradora lo marque como encontrado. Muchas veces un dispositivo se puede encontrar bajo esta modalidad por d´ıas, incluso semanas, por lo que se deben revisar personalmente varias decenas de reportes. Los reportes pueden contener im´agenes de mala calidad cuando el dispositivo est´a en el bolsillo del portador/a, o no se aprecian caras, obligando al administrador o administradora del sistema a filtrar manualmente aquellas im´agenes que identifiquen a la persona que lo tiene en su poder. Este trabajo consiste en evaluar distintos modelos de redes neuronales capaces de analizar rostros de personas y crear una representaci´on vectorial de las mismas. Las representaciones son posteriormente utilizadas para determinar si pertenecen a un mismo individuo o no. Esto permitir´a a la empresa desarrollar un dashboard que muestre los distintos individuos presentes en los reportes, reduciendo as´ı el tiempo de revisi´on, gracias a la centralizaci´on de la informaci´on. Para desarrollar y evaluar esta tesis, se construy´o un conjunto de datos con informaci´on de varios miles de im´agenes de rostros, con el cual se evaluaron seis modelos de reconocimiento facial con sus respectivas comparaciones, y se realiz´o fine-tuning del modelo ArcFace. El ajuste del modelo debe balancear dos tipos de errores, que el dashboard repita individuos (cuando el modelo clasifica a dos personas como distintas pero no lo son), y otro donde esconde personas (cuando se clasifican dos personas como la misma pero son distintas). Para abordar esto se realiz´o una simulaci´on que permiti´o encontrar los umbrales necesarios para proporcionar a la empresa las mejores alternativas para tomar una decisi´on de negocio. Se logr´o entrenar un modelo capaz de agrupar rostros de personas con im´agenes complejas, con un accuracy de 0.77, un precision de 0.72 y un recall de 0.89. Estos resultados hacen posible desarrollar un sistema que facilite y acelere el tiempo de revisi´on de reportes, mejorando considerablemente la usabilidad y practicidad de la herramienta.