Face Recognition con imágenes de Data Streaming con modelos generados a partir de Transfer Learning y diferentes Funciones de Activación

Abstract

Actualmente existen múltiples técnicas para generar y aplicar en las redes neuronales artificiales. Face Recognition es una aplicación de aprendizaje profundo dónde se aplican redes. En el Face Recognition hay que tener en cuenta que se intenta resolver un problema de clasificación. Para resolver estos tipos de problemas se utilizan las Redes Neuronales Convolucionales, presentan una arquitectura de capas, permiten por la forma de convolución una aproximación mayor al objeto que se intenta clasificar. Estas redes poseen diferentes nodos que se encuentran interconectados donde la información circula de un nodo a otro pasando por capas de entrada, capas ocultas y capas de salida. El entrenamiento del modelo puede ser uno de los trabajos más complejos dentro de las tareas en la creación de una red neuronal. Las capas que componen la arquitectura de la red neuronal, además de los valores de peso y sesgo, poseen una Función de Activación, que, dependiendo de cual se use, la información pasara de un nodo a otro de una manera diferente. Este trabajo plantea la aplicación de Transfer Learning para obtener una arquitectura y valores de pesos iniciales pre-entrenados y compara resultado de los modelos para Face Recognition de imágenes en Data Streaming, utilizando las Funciones de Activación ReLu, Swish y Mish. Como método de trabajo se apoya en el enfoque de investigación DSR. Los resultados de las pruebas realizadas no son concluyentes y dan lugar a mejorar los hiperparámetros de la red neuronal en futuras líneas de investigación.

A challenge when you want to work training neuronal artificial network, is to create a specific architecture and initial values that can start your neural network. This investigation work, using Transfer Learning and different Activation Functions to create a model for Face Recognition with Video Data Streaming, raises a result of comparative between different models. To solve this analysis, three modules are created, the first one dataset creator module, second training module, third Face Recognition module. In dataset creator module we take Transfer Learning from OpenCV. We will use the library for face detection ‘Haar Cascades’ and capturing images from webcam will be possible to create the dataset. Training module, in this module we used Transfer Learning from VGG16 library, facilitating the creation of the corresponding architecture for a convolutional network. Also, we implemented ‘imagenNET’ to get the initial values for the network. Adapting each neuronal network for each Activation Function ‘ReLu’, ‘Swish’ and ‘Mish’. Keras and Tensorflow library will facilitate the use of the different network layers, getting a trained model for Face Recognition with metrics of cost and functioning. Finally, in Face Recognition module, we import the result of the model trained and Face recognition is tested. Analyzed the results of the tests, no conclusive results are obtained on which Activation Function (‘ReLu’, ‘Swish’, ‘Mish’) gives the best result for Face Recognition, but the model remains for future lines of research where the hyperparameters of the neural network can be tuned.

Actualment, existeixen múltiples tècniques per a generar i aplicar en les xarxes neuronals artificials. Face Recognition és una aplicació d'aprenentatge profund on s'apliquen xarxes. En el Face Recognition cal tenir en compte que s'intenta resoldre un problema de classificació. Per a resoldre aquests tipus de problemes s'utilitzen les Xarxes Neuronals Convolucionals, presenten una arquitectura de capes, permeten per la forma de convolució una aproximació major a l'objecte que s'intenta classificar. Aquestes xarxes posseeixen diferents nodes que es troben interconnectats on la informació circula d'un node a un altre passant per capes d'entrada, capes ocultes i capes de sortida. L'entrenament del model pot ser un dels treballs més complexos dins de les tasques en la creació d'una xarxa neuronal. Les capes que componen l'arquitectura de la xarxa neuronal, a més dels valors de pes i biaix, posseeixen una Funció d'Activació, que, depenent del qual s'usi, la informació passés d'un node a un altre d'una manera diferent. Aquest treball planteja l'aplicació de Transfer Learning per a obtenir una arquitectura i valors de pesos inicials preentrenats i compara resultat dels models per a Face Recognition d'imatges en Data Streaming, utilitzant les Funcions d'Activació ReLu, Swish i Mish. Com a mètode de treball es recolza en l'enfocament de recerca DSR. Els resultats de les proves realitzades no són concloents i donen lloc a millorar els hiperparàmetres de la xarxa neuronal en futures línies de recerca.