Diseño y búsqueda de arquitecturas de redes neuronales convolucionales mediante neuroevolución para reconocimiento facial con gran variación de pose

Abstract

El reconocimiento facial es una técnica biométrica ampliamente utilizada para la autenticación de identidad en varios dominios. A pesar del notable progreso en el campo del reconocimiento de rostros en la actualidad, existen desafíos que se deben abordar, especialmente relacionados al reconocimiento de rostros con gran variación de pose. Siguiendo la idea de las distintas áreas del cerebro especializadas en poses del rostro encontradas en los cerebros humanos y de macacos, en esta tesis se diseñan un conjunto de redes neuronales convolucionales (CNNs) para representar esas regiones, donde cada una responde a un rango particular de orientación de pose. Para esto, se utilizan métodos basados en neuroevolución, empleando algoritmos genéticos (AGs), definiendo la estructura de tres CNNs. Cada CNN evoluciona a través de un AG para un rango particular de orientación de pose, correspondiente a rotaciones pequeñas, medianas y grandes del rostro. Las mejores CNNs obtenidas de cada AG fueron entrenadas con los conjuntos de datos VGGFace2 y MS1M. El rendimiento del método propuesto se evaluó en conjuntos de datos que contienen un número significativo de rostros con gran variación de pose, alcanzando porcentajes de desempeño mayores en comparación al estado del arte: 95,91%, 95,73%, 94,60% y 99,18% en VGGFace2 (prueba), VGGFace2_FP, CPFLW y CFP_FP, respectivamente.