Actas-de-reunión.md

 # Índice
 
+- [15 de julio 2022](#15-de-julio-2022)
 - [17 de junio 2022](#17-de-junio-2022)
 - [10 de junio 2022](#10-de-junio-2022)
 - [3 de junio 2022](#3-de-junio-2022)
@@ -25,6 +26,22 @@
 - [27 de mayo 2021](#27-de-mayo-2021)
 - [13 de mayo 2021](#13-de-mayo-2021)
 
+# 15 de julio 2022
+
+Se presentaron los resultados de las pruebas 1_2 y 1_3, que indican para cada método y sujeto de prueba la accuracy y tiempos de ejecución. Dado que se incluye un promedio de estos datos, se sugirió incorporar la desviación en caso de incluir estas tablas en un documento más formal.
+
+Se observó que la muestra de personas con la que se ejecutó la prueba 1_3 está formada mayoritariamente por familiares de las personas que componen la base de datos. Si bien esto implica un cierto sesgo, se debe recordar que el robot en el cuál se utilizará el sistema de reconocimiento tiene como propósito realizar tareas del hogar, por lo cuál tiene sentido que intente reconocer a gente de la misma familia con mucha frecuencia.
+
+Se planteó confeccionar un documento informal intermedio de las pruebas con resultados, tablas y conclusiones, donde también se incluirían las pruebas que no fueron especificadas pero surgieron ante la necesidad cosas las variaciones. Este documento servirá como una suerte de bitácora ordenada que contenga todos los experimentos en escenarios reales realizados.
+
+Se determinó que el threshold que filtra las detecciones obtenidas en función del tamaño de dicha detección sea una variable modificable. De esta manera, se podrá ajustar dependiendo del escenario en el cuál se esté intentando reconocer.
+
+Dado que las pruebas 1_4 y 2_2 se realizan únicamente sobre DeepFace - estas son las que prueban el desempeño del modelo al detectar el género y edad de las personas -, sus resultados no definirán qué método utilizar. Por esto se ejecutará primero el resto de las pruebas, para así sacar conclusiones y determinar qué método es el más performante. Con respecto a estas otras pruebas, se decide volver a ejecutar la 1_2 incorporando variaciones con múltiples accesorios a la vez, ya que los resultados de esta prueba fueron casi perfectos con respecto a accuracy, y estas variaciones demostraron dificultar más el reconocimiento, por lo que podrían ayudar a determinar cuál tiene mejor desempeño.
+
+**Los próximos pasos son:**
+- Agregar desviaciones en tablas de comparaciones de pruebas si se van a poner en el informe.
+- Ejecutar nuevamente la prueba 1_2 pero con variaciones, y ejecutar las pruebas 1_4, 2_1 y 2_2, dando prioridad a la 1_2 y 2_1.
+
 # 17 de junio 2022
 
 Se presentaron los resultados obtenidos. Si bien no hubo grandes diferencias, la variante de embedding por persona tuvo un desempeño levemente superior, tanto en accuracy como en tiempo. Además, se observó que al aumentar la cantidad de imágenes por persona se obtuvo una mejor accuracy, y el tiempo solo aumentó mínimamente.