Saltar al contenido principal

12 de enero de 2017 - Tiempo de lectura 3 min

Machine Learning para el reconocimiento facial

Por Editorial Vodafone Business

Las aplicaciones de reconocimiento facial forman parte de las tecnologías de Inteligencia Artificial más populares que ya están funcionando a nuestro alrededor. Desde etiquetar a personas en redes sociales a desbloqueo de móviles, y por supuesto medidas de seguridad en aeropuertos o en lugares públicos. En las investigaciones que se llevan a cabo para mejorar su eficiencia y exactitud se emplean modelos que imitan la neurología humana y que hasta ahora no eran suficientemente emulados por las máquinas.

Ahora en el MIT están diseñando un sistema de aprendizaje automático entrenado a partir de una batería de imágenes de muestra en el que se añade una particularidad del cerebro humano consistente en tener en cuenta el grado de rotación de una cara, 45 grados desde el centro pero no en dirección izquierda o derecha.

La idea de tener en cuenta esta peculiaridad de nuestra mente surgió espontáneamente en el proceso de entrenamiento tras observar el comportamiento de los primates y fue trasladado a la programación de los algoritmos.

El profesor Poggio, del MIT, cree que el cerebro produce representaciones de las caras y otros objetos invariables, independientemente de su orientación en el espacio, la distancia en el espectador o la ubicación en el campo visual. Mediante exploraciones de los cerebros de humanos y monos mostraban que la información de los nervios ópticos pasa a través de una serie de localizaciones neuronales que, a cada paso, es menos sensible a la orientación que el anterior. Las neuronas en la primera región respondían sólo a determinadas orientaciones de la cara, mientras que las finales se activaban independientemente de éstas.

El nuevo sistema de aprendizaje funciona como una red neuronal que se aproxima a la arquitectura del cerebro humano. Una red de unidades de procesamiento muy simples dispuestas en capas conectadas a nodos de proceso.

En un trabajo anterior, el grupo de Poggio había entrenado redes neuronales para producir representaciones invariables por la memorización de un conjunto representativo de orientaciones en sólo un puñado de caras, lo que Poggio llama «plantillas». Cuando a la red se le presenta una nueva cara, medía su diferencia con respecto a estas plantillas. Esta diferencia sería más pequeña para las plantillas cuya orientación, la inclinación, fuera la misma que el de la nueva cara. La diferencia medida entre la nueva cara y las caras almacenadas da a la nueva cara una especie de identificación de la firma.
En los nuevos experimentos, este enfoque produce representaciones invariables: La firma de un rostro resultó ser más o menos la misma sin importar su orientación.

 

Los límites del reconocimiento facial en la vida real

Aunque los sistemas de reconocimiento facial automáticos sean cada vez más precisos, aún no han igualado a la capacidad humana de identificar un rostro. No sólo el ángulo de orientación del mismo en una imagen es determinante, sino que el uso de complementos como gafas, sombreros, cambios de peinado o la simple iluminación complican el proceso de identificación digital lejos de lo que se ve en las películas.

En general, el sistema proporcionará una lista de candidatos y será una persona quién tome la decisión final, con tasas de error de hasta el 50%.

Cuando se trata de reconocer a un desconocido, el entrenamiento del personal de seguridad no mejora la tasa de acierto con respecto al de cualquier persona que intente reconocer un rostro basado en una serie de fotografías. Al igual que las máquinas, es más fácil si se cuenta con una información previa almacenada en nuestra memoria. Entonces, los algoritmos sí que muestran una ventaja en la fiabilidad procesando múltiples datos. En pocas palabras, el reconocimiento facial puede saber quién eres si te conoce previamente, pero las posibilidades de que lo haga viéndote por primera vez se reducen hasta el 50%.

Eso sí, esta capacidad de reconocimiento facial y aprendizaje, ya está presente en robots como los diseñados por Tomotaka Takahasi.

Etiquetas relacionadas:

Compartir art铆culo:

Descargar art铆culo en PDF

脷ltimos art铆culos y novedades

Ver todos los art铆culos