Desarrollo y análisis de fiabilidad de un sistema de reconocimiento facial basado en técnicas de Deep Learning y Federated Learning

Abstract

En los últimos tiempos, el reconocimiento facial es una aplicación que ha experimentado un notable avance gracias a la investigación y desarrollo de algoritmos de Deep Learning. Este tipo de identificación biométrica se implementa en diversas áreas, desde el desbloqueo de teléfonos hasta la vigilancia y control de espacios públicos. En estos casos, donde la manipulación de información facial es crítica y su compartición no siempre es posible, el aprendizaje federado emerge como una solución para desarrollar sistemas de reconocimiento facial salvaguardando la privacidad de las personas. Asimismo, el empleo de técnicas como transfer learning y fine-tuning permite transferir conocimientos de tareas generales a otras más específicas, lo que conduce a mejoras en la precisión del sistema de reconocimiento facial implementado.

En este contexto, se ha realizado este TFM (Trabajo de Fin de Máster), en el que, en primer lugar, se ha desarrollado un sistema de reconocimiento facial basado en Deep Learning y aprendizaje federado con el objetivo de identificar rostros de forma que se proporcione privacidad de diversos conjuntos de datos faciales.

De forma adicional, se han analizado los resultados de la aplicación de 2 tipos de fine-tuning a la implementación desarrollada. Esto ha dado lugar a la realización de un análisis de fiabilidad con el propósito de evaluar la necesidad de personalización de modelos preentrenados para tareas específicas