Face Recognition con imágenes de Data Streaming con modelos generados a partir de Transfer Learning y diferentes Funciones de Activación
Actualmente existen múltiples técnicas para generar y aplicar en las redes neuronales artificiales. Face Recognition es una aplicación de aprendizaje profundo dónde se aplican redes. En el Face Recognition hay que tener en cuenta que se intenta resolver un problema de clasificación. Para resolver es...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2022 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/146733 |
| Acceso en línea: | http://hdl.handle.net/10609/146733 |
| Access Level: | acceso abierto |
| Palabra clave: | reconeixement facial aprenentatge de transferència aprenentatge profund reconocimiento facial aprendizaje de transferencia aprendizaje profundo face recognition transfer learning deep learning Big data -- TFM Dades massives -- TFM Datos masivos -- TFM |
| Sumario: | Actualmente existen múltiples técnicas para generar y aplicar en las redes neuronales artificiales. Face Recognition es una aplicación de aprendizaje profundo dónde se aplican redes. En el Face Recognition hay que tener en cuenta que se intenta resolver un problema de clasificación. Para resolver estos tipos de problemas se utilizan las Redes Neuronales Convolucionales, presentan una arquitectura de capas, permiten por la forma de convolución una aproximación mayor al objeto que se intenta clasificar. Estas redes poseen diferentes nodos que se encuentran interconectados donde la información circula de un nodo a otro pasando por capas de entrada, capas ocultas y capas de salida. El entrenamiento del modelo puede ser uno de los trabajos más complejos dentro de las tareas en la creación de una red neuronal. Las capas que componen la arquitectura de la red neuronal, además de los valores de peso y sesgo, poseen una Función de Activación, que, dependiendo de cual se use, la información pasara de un nodo a otro de una manera diferente. Este trabajo plantea la aplicación de Transfer Learning para obtener una arquitectura y valores de pesos iniciales pre-entrenados y compara resultado de los modelos para Face Recognition de imágenes en Data Streaming, utilizando las Funciones de Activación ReLu, Swish y Mish. Como método de trabajo se apoya en el enfoque de investigación DSR. Los resultados de las pruebas realizadas no son concluyentes y dan lugar a mejorar los hiperparámetros de la red neuronal en futuras líneas de investigación. |
|---|