Creación de un sistema de reconocimiento facial basado en inteligencia artificial para la verificación de identidad de estudiantes en entornos de aprendizaje, mediante la implementación de técnicas de aprendizaje profundo.

Abstract

El sistema de reconocimiento facial que se desarrolló fue examinado considerando como medida principal la tasa de falsos positivos (false acceptanse rate FAR) con el fin de analizar cómo se comporta el modelo en ambientes reales. Se desarrolló diferentes pruebas en el que se utilizó el modelo base pre entrenado y el modelo ajustado mediante fine-tuning usando el mismo conjunto de datos que se conforma por 11 personas y 400 imágenes. También fueron tomadas como variables independientes las condiciones de oclusión brillo e iluminación debido a la repercusión directa en la calidad de captura del rostro Los resultados que se obtuvieron permitieron observar la manera en la que se comporta el sistema bajo diferentes ambientes, demostrando que el modelo ajustado mediante fine-tuning registra una variación en la tasa de falsos positivos en contraste con el modelo base. En un entorno controlado (rostro frontal, buena iluminación y sin oclusión), el sistema se mantiene estable alcanzando una óptima identificación de las personas que se encontraban registradas, pero al introducir cambios en la iluminación o la parecencia de oclusiones parciales (por ejemplo, manos que cubren parte del rostro) se pueden visualizar cambios en la tasa de falsos positivos. El modelo con fine-tunning a través de la implementación de restricciones de calidad (como filtros de desenfoque y estabilidad temporal hizo posible controlar el comportamiento del sistema en estos escenarios logrando así eludir en varios casos que se asigne una incorrecta identidad cuando las condiciones en las que se realizaba la captura no eran las adecuadas. En general los resultados que se obtuvieron hicieron viable analizar como las variables de oclusiones, brillo y contraste influyen en el desempeño del sistema, además del efecto del proceso de fine-tunning sobre la representación de los embeddings faciales y la adopción de decisiones del modelo.