Actas-de-reunión.md

 # Índice
 
+- [26 de agosto 2021](#26-de-agosto-2021)
 - [12 de agosto 2021](#12-de-agosto-2021)
 - [29 de julio 2021](#29-de-julio-2021)
 - [15 de julio 2021](#15-de-julio-2021)
@@ -8,15 +9,37 @@
 - [27 de mayo 2021](#27-de-mayo-2021)
 - [13 de mayo 2021](#13-de-mayo-2021)
 
+# 26 de agosto 2021
+
+Se discutió la especificación de las pruebas experimentales. Se decide incorporar pruebas que abarquen la predicción de raza y emociones. Sin embargo, se decidió dejar tanto estas pruebas como las de predicción de edad y género para más adelante, priorizando las pruebas de reconocimiento y detección de rostros. 
+
+Es preciso que las pruebas experimentales abarquen los siguientes aspectos:
+
+- Cantidad de imágenes requeridas por persona, incluyendo variaciones de robustez.
+- Threshold y distancia entre embeddings a utilizar.
+- Mantener un embedding por persona, o un embedding por imagen.
+
+Se observa que estas pruebas se realizarán con sujetos que ya pertenecen a la base de datos. Eventualmente, también se quiere probar la capacidad del componente de agregar a una persona a la base de datos, es decir, cuál es su comportamiento al manejar un rostro que no se encuentra en dicha base de datos. Este comportamiento será probado sobre una aplicación que embeba al algoritmo y permita agregar personas a la base y asociarlas con diferentes conceptos, como abrigos y bebidas. 
+
+En cuanto a la librería Deepface, si bien esta ofrece una amplia variedad de métodos de reconocimiento de rostros, se decide probar con aquellos ya estudiados en el estado del arte (DeepFace, FaceNet, ArcFace, OpenFace). 
+
+**Los próximos pasos son:**
+
+- Definir la cantidad de personas diferentes que incluirá la base de datos a utilizar.
+- Investigar qué métricas son las más utilizadas en los papers del estado del arte sobre reconocimiento de rostros, y evaluar incorporar alguna que no se haya considerado.
+- Terminar de especificar las pruebas experimentales teniendo en cuenta los aspectos antes mencionados.
+
+
+
 # 12 de agosto 2021
 
 Es importante definir experimentos para encontrar fortalezas y debilidades de los algoritmos seleccionados, y eventualmente considerar proponer mejoras. Se quieren tomar como base las pruebas previamente seleccionadas: Receptionist, Farewell y Serving the Drinks. En particular, para verificar la robustez del algoritmo se quiere que las pruebas consideren los siguientes aspectos que pueden variar en el reconocimiento de una persona:
 
-- Posición del rostro: de perfil, rotado, visto desde arriba (considerando que la persona puede estar sentada)
-- Cambios en el estilo de pelo: largo, recogido, etc
-- Uso o no de lentes
-- Diferencias de luz: natural y artificial
-- Gestos faciales y emociones
+- Posición del rostro: de perfil, rotado, visto desde arriba (considerando que la persona puede estar sentada).
+- Cambios en el estilo de pelo: largo, recogido, etc.
+- Uso o no de lentes.
+- Diferencias de luz: natural y artificial.
+- Gestos faciales y emociones.
 
 Además, es necesario realizar pruebas con personas de distintas etnias, edades y géneros para evitar que los experimentos estén sesgados. 
 
@@ -40,9 +63,9 @@ Se continuará la elaboración del documento del estado del arte.
 
 Se presentó la biblioteca DeepFace, que incluye las siguientes funcionalidades:
 
-- *Verify:* Compara dos rostros para determinar si pertenecen a la misma persona
-- *Find:* Compara un rostro dado con una base de datos con distintos rostros, y devuelve en una tabla aquellas imágenes cuyos rostros coinciden con el de la imagen dada, junto con la distancia entre ambas imágenes. En definitiva, consiste en utilizar la función verify para comparar una imagen con muchas otras imágenes
-- *Analyze:* Analiza un rostro para determinar sus características (edad, género, raza, emoción)
+- *Verify:* Compara dos rostros para determinar si pertenecen a la misma persona.
+- *Find:* Compara un rostro dado con una base de datos con distintos rostros, y devuelve en una tabla aquellas imágenes cuyos rostros coinciden con el de la imagen dada, junto con la distancia entre ambas imágenes. En definitiva, consiste en utilizar la función verify para comparar una imagen con muchas otras imágenes.
+- *Analyze:* Analiza un rostro para determinar sus características (edad, género, raza, emoción).
 
 Se observa que cada una de estas funcionalidades incluye la detección y alineamiento del rostro en una imagen. Además, se pueden usar distintos modelos, que incluyen ArcFace, FaceNet y OpenFace, así como distintas distancias, como la distancia coseno y la euclídea.
 
@@ -52,7 +75,6 @@ Luego se presentó una implementación de FaceNet utilizando PyTorch, que dada u
 
 - Elaborar el documento del estado del arte. Este documento incluirá al menos una sección de introducción, una donde se explique qué es la RoboCup y los métodos utilizados por los equipos previamente presentados, y otro capítulo que contenga los algoritmos de reconocimiento de rostros. Esta última sección, además de contener los últimos avances en la materia, puede incluir trabajos fundacionales.
 
-
 # 1 de julio 2021
 
 Se presentó una descripción general de ResNet, ArcFace, Circle-Loss y DeepFace, enfocándose en los aspectos centrales de cada uno. también, se mostraron sus resultados resumidos en una tabla explicativa.