Reconocimiento de etnia basado en aprendizaje por transferencia utilizando imágenes arbitrarias capturadas a través...

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Biometría

Sus antecedentes:

• El reconocimiento de etnia es crucial para diversas aplicaciones, pero enfrenta desafíos como las variaciones en las características faciales y el desequilibrio de clases.
• Los modelos de aprendizaje automático para la clasificación de etnia requieren capacidades predictivas sólidas y precisas.

Objetivo del estudio:

• Introducir un marco experimental novedoso para el reconocimiento de etnia.
• Aprovechar el aprendizaje por transferencia y optimizar los modelos de Red Neuronal Convolucional (CNN) para mejorar el rendimiento de la clasificación.
• Evaluar el impacto de diferentes sensores de imagen y condiciones del mundo real en la precisión del reconocimiento facial.

Principales métodos:

• Se utilizó aprendizaje por transferencia con modelos CNN preentrenados (VGG16, DenseNet169, VGG19, ResNet50, MobileNetV2, InceptionV3, EfficientNetB4) en el conjunto de datos UTKFace y un conjunto de datos de celebridades personalizado.
• Se realizó un preprocesamiento riguroso y una optimización de hiperparámetros para identificar una configuración ideal para un rendimiento óptimo.
• Se examinó la influencia de varios sensores de imagen y condiciones de captura del mundo real en el rendimiento del modelo.

Principales resultados:

• El modelo VGG19 alcanzó una precisión de validación del 87 % y una precisión máxima de prueba del 75 % en el conjunto de datos de celebridades.
• El modelo VGG19 optimizado demostró una precisión general del 87 % en cinco grupos étnicos, con precisiones por clase que varían del 51 % a más del 90 %.
• Los experimentos comparativos confirmaron un rendimiento competitivo frente a los métodos recientes de vanguardia.

Conclusiones:

• El aprendizaje por transferencia en imágenes capturadas por sensores permite una clasificación de etnia robusta y eficiente.
• La optimización sistemática de hiperparámetros mejora la generalización del modelo y mitiga el sobreajuste.
• El marco propuesto ofrece un enfoque reproducible y consciente de la equidad para el reconocimiento de etnia.