|
|
|
# Índice
|
|
|
|
|
|
|
|
- [2 de marzo 2022](#2-de-marzo-2022)
|
|
|
|
- [23 de diciembre 2021](#23-de-diciembre-2021)
|
|
|
|
- [9 de diciembre 2021](#9-de-diciembre-2021)
|
|
|
|
- [29 de noviembre 2021](#29-de-noviembre-2021)
|
| ... | ... | @@ -16,6 +17,24 @@ |
|
|
|
- [27 de mayo 2021](#27-de-mayo-2021)
|
|
|
|
- [13 de mayo 2021](#13-de-mayo-2021)
|
|
|
|
|
|
|
|
# 2 de marzo 2022
|
|
|
|
|
|
|
|
Se presentó una demo de lo trabajado hasta el momento, que incluyó el reconocimiento de rostros a tiempo real por parte de los modelos de la librería DeepFace y la implementación de FaceNet en PyTorch, utilizando ROS. Además, se mostró el reconocimiento de género y edad a tiempo real por parte de la librería DeepFace. Luego, se discutieron alternativas para la implementación de las pruebas, de lo que se concluyeron los siguientes puntos:
|
|
|
|
|
|
|
|
- Descartar rostros de tamaño menor a determinado porcentaje de la imagen, para evitar problemas causados por ruido.
|
|
|
|
- Evaluar qué da mejores resultados: almacenar un embedding por persona, promediando entre sus distintas imágenes, o almacenar un embedding por imagen.
|
|
|
|
- Investigar si es posible retornar un valor de confianza para el reconocimiento, así como para el análisis de género y edad.
|
|
|
|
|
|
|
|
Dado que la imagen no era lo suficientemente fluida, los tutores sugirieron fijar el tamaño de buffer del publicador a 1, y de está forma siempre trabajar con la imagen más actualizada. Además, para acelerar las pruebas, se planteó considerar utilizar Linux nativo y no mostrar imagen al momento de reconocer rostros.
|
|
|
|
|
|
|
|
Se revisaron las pruebas en escenarios reales previamente especificados, y los tutores realizaron comentarios y sugerencias sobre estas.
|
|
|
|
|
|
|
|
**Los próximos pasos son:**
|
|
|
|
|
|
|
|
- Agregar una prueba experimental para determinar qué variante de almacenamiento de los embeddings es la mejor, y la cantidad de imágenes óptima por persona. Para esto último, se consideran distintas cantidades de imágenes por persona, para ver cómo varían los resultados en función de la cantidad de imágenes. Se debe considerar que el rostro de dicha persona puede estar en distintas posiciones.
|
|
|
|
- Especificar con mayor exactitud los pasos del flujo de las pruebas.
|
|
|
|
- Investigar sobre otras posibles medidas de desempeño para las pruebas además de la *accuracy*, como por ejemplo la medida *mAP*. Considerar papers de métodos de reconocimiento populares.
|
|
|
|
|
|
|
|
# 23 de diciembre 2021
|
|
|
|
|
|
|
|
Se analizó el documento de especificación de las pruebas en escenarios reales, y se modificaron algunas de las variaciones que se habían planteado. También se tomó nota de algunas recomendaciones que hicieron los tutores a tener en cuenta más adelante con respecto a las pruebas.
|
| ... | ... | |
| ... | ... | |
