| dc.contributor | García Arias, Hernán Felipe | |
| dc.creator | Legarda Delgado, Diego Fernando | |
| dc.creator | Loaiza Pabón, Oscar Andrés | |
| dc.date | 2022-06-28T16:09:09Z | |
| dc.date | 2022-06-28T16:09:09Z | |
| dc.date | 2022 | |
| dc.date.accessioned | 2022-09-23T21:42:28Z | |
| dc.date.available | 2022-09-23T21:42:28Z | |
| dc.identifier | Universidad Tecnológica de Pereira | |
| dc.identifier | Repositorio Institucional Universidad Tecnológica de Pereira | |
| dc.identifier | https://repositorio.utp.edu.co/home | |
| dc.identifier | https://hdl.handle.net/11059/14172 | |
| dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/3533341 | |
| dc.description | En el presente trabajo se realizó el desarrollo del sistema piloto de registro automático de asistencia a clases presenciales FR-ARCA, basado en técnicas de detección y reconocimiento facial, utilizando modelos de aprendizaje profundo. Se diseñó el modelo del sistema con una arquitectura modular de diferentes herramientas integradas adecuadamente para resolver las consideraciones previstas. El uso y la integración de contenedores, el lenguaje de progra mación Python con los frameworks FastAPI y Django, el uso de frameworks para Machine Learning como Keras, TensorFlow, PyTorch, OpenCV y MXNet y protocolos de comunicación REST y MQTT permitieron superar retos que tiene la ingeniería de software para implementar inteligencia artificial (IA) en software de producción. Con la extracción de características
principales de rostro y su almacenamiento en bases de datos (DB) se realiza la identifica ción de identidades a través del cálculo de similitud entre los vectores de características (embeddings) por lo cual no se necesita reentrenar las redes neuronales convolucionales cuando ingresan nuevos aprendices a la institución. Se probaron modelos preentrenados de detección de rostros como MTCNN, RetinaFace y SCRFD, y modelos de reconocimiento de rostros como VGG-Face, FaceNet y ArtFace, en el sistema FR-ARCA y fueron evaluados con experimentos que permitieron validar y configurar el sistema para lograr excelentes resultados en la exactitud del registro de asistencia a clases. | |
| dc.description | Maestría | |
| dc.description | Magíster en Ingeniería de Sistemas y Computación | |
| dc.description | Índice general
1. INTRODUCCIÓN 13
1.1. DESCRIPCIÓN DEL PROBLEMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2. FORMULAR EL PROBLEMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3. OBJETIVOS DE LA INVESTIGACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3.2. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4. JUSTIFICACIÓN DE LA INVESTIGACIÓN . . . . . . . . . . . . . . . . . . . . . . . 18
2. ESTADO DEL ARTE 21
2.1. DATASET DE IMÁGENES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1. LFW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.2. CFP-FP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.3. AgeDB-30 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.4. CALFW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.5. CPLFW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.6. CASIA-WebFace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.7. Glint360K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.8. WebFace600k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2. MODELOS DE DETECCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.1. RetinaFace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.2. SCRFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.3. MTCNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.4. Single Shot Detector (SSD) . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.5. Librerías Para Detección De Rostros . . . . . . . . . . . . . . . . . . . . . . 28
2.3. METODOS DE RECONOCIMIENTO . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.1. Arcface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2. Partial FC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3
Capítulo 0 Universidad Tecnológica de Pereira
2.3.3. VPL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.4. DeepID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.5. Facenet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.6. FbDeepFace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.7. VGGFace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4. SISTEMAS DE RECONOCIMIENTO . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4.1. TIPOS DE SISTEMAS DE RECONOCIMIENTO . . . . . . . . . . . . . . . . 33
2.4.2. HERRAMIENTAS DE RECONOCIMIENTO FACIAL OPEN SOURCE . . . 35
2.4.2.1. Ageitgey/face_recognition . . . . . . . . . . . . . . . . . . . . . . 35
2.4.2.2. DeepFace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4.2.3. InsightFace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4.3. SISTEMAS DE RECONOCIMIENTO FACIAL . . . . . . . . . . . . . . . . . 36
2.4.3.1. Exadel CompreFace . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.3.2. InsightFace-REST . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.3.3. Amazon Rekognition . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.3.4. Azure Face . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5. DESAFÍOS AL IMPLEMENTAR Y DESPLEGAR MODELOS DE MACHINE LEAR NING EN UN PRODUCTO DE SOFTWARE . . . . . . . . . . . . . . . . . . . . . . 38
2.5.1. Desarrollo de Software: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5.2. Manejo de datos de gran volumen: . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.3. Manejo de datos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.4. Comprender los algoritmos, las técnicas y las bibliotecas de ML: . . . . . 39
2.5.5. Manejo de modelos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.6. Tratar con las dependencias: . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.7. Modelos de reutilización: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.8. Entorno de desarrollo, las herramientas y la infraestructura: . . . . . . . 40
2.5.9. Rendimiento: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3. MARCO TEÓRICO 42
3.1. DETECCIÓN Y RECONOCIMIENTO DE ROSTROS . . . . . . . . . . . . . . . . . 42
3.1.1. DETECCIÓN DE ROSTROS . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1.1.1. La detección de rostros usando procesamiento de imágenes . . 43
3.1.2. RECONOCIMIENTO DE ROSTROS . . . . . . . . . . . . . . . . . . . . . . 44
3.2. REDES NEURONALES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.1. PERCEPTRÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4
Capítulo 0 Universidad Tecnológica de Pereira
3.2.2. PERCEPTRÓN MULTI-CAPA . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3. REDES NEURONALES CONVOLUCIONALES (CNN) . . . . . . . . . . . . . . . . 50
3.3.1. CAPA DE ENTRADA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.2. CAPAS DE EXTRACCIÓN DE CARACTERÍSTICAS . . . . . . . . . . . . . . 51
3.3.2.1. Capas de convolución . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.2.2. Capas de pooling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.3. CAPA DE CLASIFICACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.4. FUNCIONES DE PÉRDIDA . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.4.1. Triplet Loss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.4.2. ArcFace Loss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3.5. ONE-SHOT LEARNING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3.6. MEDIDA DE SIMILITUD . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.3.6.1. Similitud del coseno del espacio vectorial . . . . . . . . . . . . . 57
3.3.6.2. Coeficiente de correlación de Pearson . . . . . . . . . . . . . . . 58
3.3.6.3. Coeficiente de Jaccard . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.4. TECNOLOGÍAS DE DESARROLLO DE SOFTWARE . . . . . . . . . . . . . . . . . 59
3.4.1. METODOLOGÍAS DE DESARROLLO . . . . . . . . . . . . . . . . . . . . . . 59
3.4.1.1. Metodología de desarrollo cascada . . . . . . . . . . . . . . . . . 60
3.4.1.2. Metodología de desarrollo iterativo . . . . . . . . . . . . . . . . . 61
3.4.1.3. Metodología de desarrollo RUP (Proceso Racional Unificado) . 62
3.4.2. PROTOCOLOS DE TRANSFERENCIA DE DATOS . . . . . . . . . . . . . . 63
3.4.2.1. Hypertext Transfer Protocol (HTTP) . . . . . . . . . . . . . . . . . 63
3.4.2.2. Representational State Transfer (REST) . . . . . . . . . . . . . . . 64
3.4.3. INFRAESTRUCTURA DE ALOJAMIENTO WEB . . . . . . . . . . . . . . . . 65
3.4.3.1. Tipos de Alojamiento . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.3.2. Virtualización de entornos . . . . . . . . . . . . . . . . . . . . . . 66
4. MATERIALES Y MÉTODOS 69
4.1. METODOLOGÍA PARA EL ANÁLISIS, DISEÑO Y DESARROLLO DE FR-ARCA . . 69
4.2. CAJA DE HERRAMIENTAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.2.1. Dashboard UI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.2.2. API Gestión de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2.3. API de Detección y Reconocimiento de Rostros . . . . . . . . . . . . . . . 71
4.2.4. Aplicación de Captura de Imagen . . . . . . . . . . . . . . . . . . . . . . . 74
4.2.5. Gestión de Datos y Embeddings . . . . . . . . . . . . . . . . . . . . . . . . 75
5
Capítulo 0 Universidad Tecnológica de Pereira
4.2.6. Aplicación Móvil (Captura imagen Offline) . . . . . . . . . . . . . . . . . . 76
4.3. PREPARACIÓN DE DATOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.1. Software de recolección de rostros . . . . . . . . . . . . . . . . . . . . . . . 77
4.3.2. FR-ARCA Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.4. EXPERIMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.4.1. Experimento 1. Reconocimiento de rostros con búsqueda de máxima si militud segmentada por grupos, para el cálculo de accuracy de diferentes
métodos de detección y reconocimiento de rostros. . . . . . . . . . . . . 80
4.4.2. Experimento 2. Reconocimiento de rostros con búsqueda de máxima
similitud en el conjunto completo de embeddings, para el cálculo de
accuracy de diferentes métodos de detección y reconocimiento de rostros. 81
4.4.3. Experimento 3. Tasa de verificación de pares de imágenes. . . . . . . . . 81
4.4.4. Experimento 4. Prueba de comparación de FR-ARCA, CompreFace, Azure
Face Recognition y Amazon Rekognition con respecto a la precisión en
el test de tasa de verificación de pares de imágenes. . . . . . . . . . . . . 82
4.4.5. Experimento 5. Prueba de registro de asistencia a clases con FR-ARCA
en ambientes de aprendizaje internos. . . . . . . . . . . . . . . . . . . . . 82
4.4.6. Experimento 6. Prueba de registro de asistencia a clases con FR-ARCA
en ambientes de aprendizaje externos, usando la aplicación móvil. . . . 83
4.5. MÉTRICAS DE EVALUACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.5.1. Matriz de Confusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.5.2. Curvas ROC y AUC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5. DESARROLLO DE LA SOLUCIÓN 89
5.1. DISEÑO DEL MODELO DEL SISTEMA . . . . . . . . . . . . . . . . . . . . . . . . 90
5.2. PRINCIPALES CONSIDERACIONES . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.3. SISTEMA DE RECONOCIMIENTO FACIAL SIN REENTRENAMIENTO DE DCNN
PARA NUEVOS GRUPOS DE APRENDICES . . . . . . . . . . . . . . . . . . . . . . 94
5.3.1. Metodología para reconocimiento de rostros a través de cálculo de similitud . . . . . . . . . . . . . . . . . . . 95
5.3.2. Cálculo de similitud entre embeddings . . . . . . . . . . . . . . . . . . . . 96
5.4. SELECCIÓN DE MODELOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.4.1. Modelos de detección de rostros . . . . . . . . . . . . . . . . . . . . . . . . 96
5.4.2. Modelos de reconocimiento de rostros . . . . . . . . . . . . . . . . . . . . 97
5.4.3. Alineación y normalización de rostros . . . . . . . . . . . . . . . . . . . . . 98
6
Capítulo 0 Universidad Tecnológica de Pereira
5.5. ARQUITECTURA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.6. DISEÑO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.6.1. Usuarios del Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.6.2. Ingreso de rostros al sistema . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.6.3. Reconocimiento de rostros . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.6.4. Gestión de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6. RESULTADOS 108
6.1. RESULTADOS DE LOS EXPERIMENTOS REALIZADOS . . . . . . . . . . . . . . . 109
6.1.1. Resultados Experimento 1. Reconocimiento de rostros con búsqueda de
máxima similitud segmentada por grupos, para el cálculo de accuracy
de diferentes métodos de detección y reconocimiento de rostros. . . . . 109
6.1.2. Resultados Experimento 2. Reconocimiento de rostros con búsqueda de
máxima similitud en el conjunto completo de embeddings, para el cálculo de accuracy de diferentes métodos de detección y reconocimiento de rostros. . . . . . . . . . . . . . . . . . 111
6.1.3. Resultados Experimento 3. Tasa de verificación de pares de imágenes. . 113
6.1.4. Resultados Experimento 4. Prueba de comparación de FR-ARCA, CompreFace, Azure Face Recognition y Amazon Rekognition con respecto a
la precisión en el test de tasa de verificación de pares de imágenes. . . . 117
6.1.5. Resultados Experimento 5. Prueba de registro de asistencia a clases con
FR-ARCA en ambientes de aprendizaje internos. . . . . . . . . . . . . . . 118
6.1.6. Resultados Experimento 6. Prueba de registro de asistencia a clases con
FR-ARCA en ambientes de aprendizaje externos, usando la aplicación
móvil. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.2. PRODUCTO FINAL FR-ARCA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
6.2.1. Interfaz gráfica para gestión de datos. . . . . . . . . . . . . . . . . . . . . . 124
6.2.2. Interfaz gráfica para ingreso de características principales de rostros. . . 126
6.2.3. Interfaz gráfica del dispositivo de captura de imágenes. . . . . . . . . . . 127
6.2.4. Interfaz gráfica de la aplicación móvil. . . . . . . . . . . . . . . . . . . . . 128
7. CONCLUSIONES Y TRABAJOS FUTUROS ..................131
8. PUBLICACIONES.................. 134
Referencias ............... 135 | |
| dc.format | 146 Páginas | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Universidad Tecnológica de Pereira | |
| dc.publisher | Facultad de Ingenierías | |
| dc.publisher | Pereira | |
| dc.publisher | Ingeniería de Sistemas y Computación | |
| dc.relation | Adith, N. T. (2021, septiembre). Single shot detector (SSD) + architecture of SSD. https:// iq.opengenus.org/single-shot-detector/. | |
| dc.relation | Agilemanifesto.org. (2021). Manifiesto por el desarrollo ágil de software. https:// agilemanifesto.org/ | |
| dc.relation | Ahlgren, P., y Grönqvist, L. (2006). Retrieval evaluation with incomplete relevance data: A comparative study of three measures. En [proceedings of the 15th acm international con ference on information and knowledge management]. New York, NY, USA: Association for Computing Machinery. https://doi.org/10.1145/1183614.1183773 | |
| dc.relation | Alshangiti, M., Sapkota, H., Murukannaiah, P. K., Liu, X., y Yu, Q. (2019). Why is developing machine learning applications challenging? a study on stack overflow posts. En 2019 acm/ieee international symposium on empirical software engineering and measurement (esem) (p. 1-11). doi: 10.1109/ESEM.2019.8870187 | |
| dc.relation | Alvarez-Rodríguez, J., Zuñiga, R., Moreno, V., y Llorens, J. (2019, julio). Challenges and opportunities in the integration of the systems engineering process and the ai/ml model lifecycle. INCOSE International Symposium, 29, 560-575. doi: 10.1002/j.2334-5837.2019 .00621.x | |
| dc.relation | Amazon Inc. (s.f.-a). Amazon rekognition image. https://aws.amazon.com/es/ rekognition/image-features/. | |
| dc.relation | Amazon Inc. (s.f.-b). Preguntas frecuentes sobre amazon rekognition. https://aws.amazon .com/es/rekognition/faqs/. | |
| dc.relation | Amazon Inc. (s.f.-c). Rekognition. https://aws.amazon.com/es/rekognition/?nc= sn&loc=0. | |
| dc.relation | Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., . . . Zimmermann, T. (2019). Software engineering for machine learning: A case study. En 2019 ieee/acm 41st interna tional conference on software engineering: Software engineering in practice (icse-seip) (p. 291-300). doi: 10.1109/ICSE-SEIP.2019.00042 | |
| dc.relation | Amos, B., Ludwiczuk, B., y Satyanarayanan, M. (2016). Openface: A general-purpose face 135 Capítulo 8 Universidad Tecnológica de Pereira recognition library with mobile applications.. | |
| dc.relation | An, X., Zhu, X., Gao, Y., Xiao, Y., Zhao, Y., Feng, Z., . . . Fu, Y. (2021, octubre). Partial fc: Training 10 million identities on a single machine. En [ICCV es el principal evento internacional de visión por computadora que comprende la conferencia principal y varios talleres y tutoriales ubicados en el mismo lugar.]. https://iccv2021.thecvf.com/. | |
| dc.relation | Anderson, K. M. (2015). Embrace the challenges: Software engineering in a big data world. En 2015 ieee/acm 1st international workshop on big data software engineering (p. 19-25). doi: 10.1109/BIGDSE.2015.12 | |
| dc.relation | Avance Jurídico Casa Editorial Ltda. (2022, abril). Normograma del SENA Acuerdo 0007 2012. https://normograma.sena.edu.co/normograma/docs/acuerdo_sena_0007 _2012.htm. | |
| dc.relation | Baier, L., Jöhren, F., y Seebacher, S. (2019, mayo). Challenges in the deployment and ope ration of machine learning in practice. En [ECIS 2019 - 27th European Conference on Information Systems]. Kista, Sweden. http://ecis2019.eu/. | |
| dc.relation | Bazarevsky, V., Kartynnik, Y., Vakunov, A., Raveendran, K., y Grundmann, M. (2019). Blazeface: Sub-millisecond neural face detection on mobile gpus. arXiv. https://arxiv.org/ abs/1907.05047. doi: 10.48550/ARXIV.1907.05047 | |
| dc.relation | Belani, H., Vukovic, M., y Car, Z. (2019). Requirements engineering challenges in building ai based complex systems. https://arxiv.org/abs/1908.11791. arXiv. doi: 10.48550/ ARXIV.1908.11791 | |
| dc.relation | Berkeleyvision. (s.f.). Caffe. https://caffe.berkeleyvision.org/. | |
| dc.relation | Bertrand, S. (2020). Retinaface-tf2. https://github.com/StanislasBertrand/ RetinaFace-tf2. | |
| dc.relation | Bukar, A., y Ugail, H. (2017, julio). Convnet features for age estimation. En [Presented at: The 11th International Conference on Computer Graphics, Visualization, Computer Vision and Image Processing]. Lisbon, Portugal. https://bradscholars.brad.ac.uk/ handle/10454/12860. | |
| dc.relation | Catal, C. (2012, enero). Performance evaluation metrics for software fault prediction studies. Acta Polytechnica Hungarica, 9. http://hdl.handle.net/11413/1662. | |
| dc.relation | Centeno, I. D. P. (2021). MTCNN face detection implementation for TensorFlow, as a pip package. https://github.com/ipazc/mtcnn. | |
| dc.relation | Chen, T., Li, M., Li, Y., Lin, M., Wang, N., Wang, M., . . . Zhang, Z. (2015). MXNet: A flexible and efficient machine learning library for heterogeneous distributed systems. arXiv [cs.DC]. | |
| dc.relation | CIMEC. (2021, febrero). Coeficiente correlación de pearson. https://www.cimec.es/ coeficiente-correlacion-pearson/. | |
| dc.relation | Congreso de la república de Colombia. (1994, febrero). Ley 119. http://www .secretariasenado.gov.co/senado/basedoc/ley_0119_1994.html. | |
| dc.relation | Dalal, N., y Triggs, B. (2005). Histograms of oriented gradients for human detection. En 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05). IEEE. | |
| dc.relation | Danilo Sato, C. W., Arif Wider. (2019). Continuous delivery for machine learning. https:// martinfowler.com/articles/cd4ml.html. | |
| dc.relation | Deepinsight. (2021). Scrfd an efficient high accuracy face detection. https://github.com/ deepinsight/insightface/tree/master/detection/scrfd. | |
| dc.relation | Deepinsight. (2022a). Insightface: 2d and 3d face analysis project. https://github.com/ deepinsight/insightface | |
| dc.relation | Deepinsight. (2022b, mayo). Insightface: State-of-the-art 2D and 3D face analysis project. https://github.com/deepinsight/insightface. | |
| dc.relation | Deepinsight. (2022c). Mode zoo insightface. https://github.com/deepinsight/ insightface/tree/master/model_zoo. | |
| dc.relation | Deng, J., Guo, J., Xue, N., y Zafeiriou, S. (2019). Arcface: Additive angular margin loss for deep face recognition. En 2019 ieee/cvf conference on computer vision and pattern recognition (cvpr) (p. 4685-4694). doi: 10.1109/CVPR.2019.00482 | |
| dc.relation | Deng, J., Guo, J., Zhou, Y., Yu, J., Kotsia, I., y Zafeiriou, S. (2019). Retinaface: Single-stage dense face localisation in the wild. arXiv. https://arxiv.org/abs/1905.00641. doi: 10.48550/ARXIV.1905.00641 | |
| dc.relation | Deriche, M. (2008). Trends and challenges in mono and multi biometrics. En 2008 first workshops on image processing theory, tools and applications (p. 1-9). doi: 10.1109/ IPTA.2008.4743801 | |
| dc.relation | Du, H., Shi, H., Zeng, D., y Mei, T. (2020). The elements of end-to-end deep face recognition: A survey of recent advances. CoRR, abs/2009.13290. https://arxiv.org/abs/2009 .13290. | |
| dc.relation | Dubuisson, M.-P., y Jain, A. (1994). A modified hausdorff distance for object matching. En Proceedings of 12th International Conference on Pattern Recognition (Vol. 1, p. 566-568 vol.1). doi: 10.1109/ICPR.1994.576361 | |
| dc.relation | Face-benchmark.org. (s.f.). WebFace260M. https://www.face-benchmark.org/ challenge.html | |
| dc.relation | García, N., Castro, V. G., Gutiérrez, E. A., y Fernández, E. F. (2017). Comparación de métodos de detección de rostros en imágenes digitales. En [Actas de las XXXVIII Jornadas de Au tomática]. https://dialnet.unirioja.es/servlet/articulo?codigo=6591683. | |
| dc.relation | Geitgey, A. (s.f.). face_recognition: The world’s simplest facial recognition api for python and the command line. | |
| dc.relation | Ghosh, S. (2019, septiembre). DeepFace. https://github.com/swghosh/DeepFace/ releases. | |
| dc.relation | Giray, G. (2020). A software engineering perspective on engineering machine learning systems: State of the art and challenges. CoRR, abs/2012.07919. https://arxiv.org/ abs/2012.07919. | |
| dc.relation | Google. (s.f.). Mediapipe. https://mediapipe.dev/. | |
| dc.relation | Google. (2015, noviembre). TensorFlow: Open source machine learning. https://www .tensorflow.org/. | |
| dc.relation | Guo, J., Deng, J., Lattas, A., y Zafeiriou, S. (2021). Sample and computation redistribution for efficient face detection. arXiv. https://arxiv.org/abs/2105.04714. doi: 10.48550/ ARXIV.2105.04714 | |
| dc.relation | Guo, Q., Chen, S., Xie, X., Ma, L., Hu, Q., Liu, H., . . . Li, X. (2019). An empirical study towards characterizing deep learning development and platforms. arXiv. https://arxiv.org/abs/1909.06727. doi: 10.48550/ARXIV .1909.06727and deployment across different frameworks | |
| dc.relation | Gustavo Mendoza Olguín, M. P. d. C. H., Yadira Laureano de Jesús. (2019). Métri cas de similaridad y evaluación para sistemas de recomendación de filtrado co laborativo. Revista de Investigación en Tecnologías de la Información, 7(14), 224– 240. Descargado de https://www.riti.es/ojs2018/inicio/index.php/riti/ article/view/175 doi: 10.36825/RITI.07.14.019 | |
| dc.relation | Haykin, S. (2009). Neural Networks and Learning Machines. (3rd ed.). Pearson Education. https://lps.ufrj.br/~caloba/Livros/Haykin2009.pdf. | |
| dc.relation | Heikkilä, M., Pietikäinen, M., y Schmid, C. (2009). Description of interest regions with local binary patterns. Pattern Recognition, 42(3), 425-436. Descargado de https:// www.sciencedirect.com/science/article/pii/S0031320308003282 doi: https:// doi.org/10.1016/j.patcog.2008.08.014 | |
| dc.relation | Huang, G. B., Mattar, M., Berg, T., y Learned-Miller, E. (2008, octubre). Labeled Faces in the Wild: A Database forStudying Face Recognition in Unconstrained Environments. En Workshop on Faces in ’Real-Life’ Images: Detection, Alignment, and Recognition. Marseille, France. https://hal.inria.fr/inria-00321923. | |
| dc.relation | InsightFace. (s.f.). State of the art deep face analysis library. https://insightface.ai/. Jolliffe, I., y Springer-Verlag. (2002). Principal component analysis. (2a ed.). Springer. https://books.google.com.co/books?id=TtVF-ao4fI8C. | |
| dc.relation | Josh Patterson, A. G. (2017). Deep learning: The definitive guide. O’Reilly UK Ltd. https:// www.oreilly.com/library/view/deep-learning/9781491924570/. | |
| dc.relation | Kaspersky. (2021, agosto). Reconocimiento facial: definición y explicación. https://latam.kaspersky.com/resource-center/definitions/what-is -facial-recognition. | |
| dc.relation | Kaur, N., Nazir, N., y Manik. (2021). A review of local binary pattern based texture feature extraction. En 2021 9th international conference on reliability, infocom technologies and optimization (trends and future directions) (icrito) (p. 1-4). doi: 10.1109/ICRITO51393 .2021.9596485 | |
| dc.relation | Keras Team. (s.f.). Keras: the python deep learning API. https://keras.io/. | |
| dc.relation | Kim, M., Zimmermann, T., DeLine, R., y Begel, A. (2018). Data scientists in software teams: State of the art and challenges. IEEE Transactions on Software Engineering, 44(11), 1024-1038. doi: 10.1109/TSE.2017.2754374 | |
| dc.relation | Kirchberg, K. J., Jesorsky, O., y Frischholz, R. (2002). Genetic model optimization for hausdorff distance-based face localization. En M. Tistarelli, J. Bigün, y A. K. Jain (Eds.), Biometric 139 Capítulo 8 Universidad Tecnológica de Pereira authentication, international ECCV 2002 workshop copenhagen, denmark, june 1, 2002, proceedings (Vol. 2359, p. 103-111). Springer. Descargado de https://doi.org/10 .1007/3-540-47917-1_11 doi: 10.1007/3-540-47917-1\_11 | |
| dc.relation | Kruchten, P. (2003). The rational unified process: An introduction (3.a ed.). USA: Addison Wesley Longman Publishing Co., Inc | |
| dc.relation | Larman, C., y Basili, V. R. (2003, jun). Iterative and incremental development: A brief history. Computer, 36(6), 47–56. Descargado de https://doi.org/10.1109/MC.2003 .1204375 doi: 10.1109/MC.2003.1204375 | |
| dc.relation | Larman, C., y Kruchten, P. (2002). Applying uml and patterns: An introduction to object oriented analysis and design and the unified process. Prentice Hall PTR. https:// books.google.com.co/books?id=r8i-4En_aa4C. | |
| dc.relation | Legarda, D. Loaiza, O. (2020, abril). Encuesta a instructores del Centro Atención Sector Agropecuario SENA Risaralda. Registro de asistencia a clases presenciales. https:// docs.google.com/forms/d/1cAyj98V24LQ0MpuawVZ3kKNQTINFoz3v8Yxp9VVD3TM/ viewanalytics. | |
| dc.relation | Leondgarse. (2022). Insightface keras. https://github.com/leondgarse/Keras _insightface#current-accuracy. | |
| dc.relation | Lin, S.-H., Kung, S.-Y., y Lin, L.-J. (1997). Face recognition/detection by probabilistic decision based neural network. IEEE Transactions on Neural Networks, 8(1), 114-132. doi: 10.1109/72.554196 | |
| dc.relation | Ling, C. X., Huang, J., y Zhang, H. (2003). Auc: A better measure than accuracy in comparing learning algorithms. En Y. Xiang y B. Chaib-draa (Eds.), Advances in artificial intelligence (pp. 329–341). Berlin, Heidelberg: Springer Berlin Heidelberg | |
| dc.relation | Lwakatare, L. E., Raj, A., Bosch, J., Olsson, H. H., y Crnkovic, I. (2019). A taxonomy of software engineering challenges for machine learning systems: An empirical investigation. En P. Kruchten, S. Fraser, y F. Coallier (Eds.), Agile processes in software engineering and extreme programming (pp. 227–243). Cham: Springer International Publishing | |
| dc.relation | Mahto, S., y Yadav, Y. (2014). A survey on various facial expressionrecognition techniques. International Journal of Advanced Research in Electrical, Electronics and Instrumentation Energy, 3 | |
| dc.relation | Maida E. G., P. J. (2015). Metodologías de desarrollo de software. [Facultad de Quími ca e Ingeniería “Fray Rogelio Bacon”, Universidad Católica Argentina]. https:// repositorio.uca.edu.ar/handle/123456789/522 | |
| dc.relation | Microsoft. (s.f.). Reconocimiento facial azure. https://azure.microsoft.com/es-es/ services/cognitive-services/face/. | |
| dc.relation | Migdał, P. (2017, abril). Learning deep learning with keras. https://p.migdal.pl/2017/ 04/30/teaching-deep-learning.html | |
| dc.relation | Mikolov, T., Chen, K., Corrado, G., y Dean, J. (2013). Efficient estimation of word re presentations in vector space. arXiv. https://arxiv.org/abs/1301.3781. doi: 10.48550/ARXIV.1301.3781 | |
| dc.relation | Moschoglou, S., Papaioannou, A., Sagonas, C., Deng, J., Kotsia, I., y Zafeiriou, S. (2017, julio). Agedb: The first manually collected, in-the-wild age database. En (p. 1997-2005). doi: 10.1109/CVPRW.2017.250 | |
| dc.relation | Mozilla Developer Network. (s.f.). Http: Hypertext transfer protocol. https://developer .mozilla.org/es/docs/Web/HTTP. | |
| dc.relation | Mozilla Developer Network. (2021a, julio). Acerca de JavaScript. https://developer .mozilla.org/es/docs/Web/JavaScript/About_JavaScript. | |
| dc.relation | Mozilla Developer Network. (2021b, julio). CSS. https://developer.mozilla.org/es/ docs/Web/CSS. | |
| dc.relation | Mozilla Developer Network. (2021c, abril). Html: Lenguaje de etiquetas de hipertexto. https://developer.mozilla.org/es/docs/Web/HTML. | |
| dc.relation | Nascimento, E. d. S., Ahmed, I., Oliveira, E., Palheta, M. P., Steinmacher, I., y Conte, T. (2019). Understanding development process of machine learning systems: Challenges and solutions. En 2019 acm/ieee international symposium on empirical software engineering and measurement (esem) (p. 1-6). doi: 10.1109/ESEM.2019.8870157 | |
| dc.relation | NumPy Developers. (s.f.). NumPy documentation - v1.22. https://numpy.org/doc/ stable. | |
| dc.relation | Oasis Open. (2019, marzo). MQTT Version 5.0. https://docs.oasis-open.org/mqtt/ mqtt/v5.0/mqtt-v5.0.html. | |
| dc.relation | Ojala, T., Pietikainen, M., y Harwood, D. (1994). Performance evaluation of texture measures with classification based on kullback discrimination of distributions. En Proceedings of 12th international conference on pattern recognition (Vol. 1, p. 582-585) | |
| dc.relation | ONNX. (s.f.-a). ONNX runtime (ORT). https://onnxruntime.ai/docs/. | |
| dc.relation | ONNX. (s.f.-b). Open Neural Network Exchange. https://onnx.ai/. | |
| dc.relation | OpenCV. (s.f.). Introduction to OpenCV-Python tutorials. https://docs.opencv.org/4.x/ d0/de3/tutorial_py_intro.html. | |
| dc.relation | Ordieres-Meré, J., Limas, M., Ascacibar, F. J., Alba-Elías, F., González-Marcos, A., Pernía Espinoza, A., y Vergara, E. (2006). Técnicas y algoritmos básicos de visión artificial recurso electrónico - en línea | |
| dc.relation | Ortiz, N., Hernandez Beleño, R., Moreno, R., Mauledoux, M., y Avilés Sánchez, O. (2018, enero). | |
| dc.relation | Otto, M., Thornton, J., y Bootstrap contributors. (s.f.). Bootstrap. https://getbootstrap .com/. | |
| dc.relation | Pham, H. V., Qian, S., Wang, J., Lutellier, T., Rosenthal, J., Tan, L., . . . Nagappan, N. (2020). Problems and opportunities in training deep learning software systems: An analysis of variance. En [Proceedings of the 35th IEEE/ACM International Conference on Automated Software Engineering]. New York, NY, USA: Association for Computing Machinery. https://doi.org/10.1145/3324884.3416545. | |
| dc.relation | Python Software Foundation. (2021, mayo). base64 – codificaciones de datos base16, base32, base64, y base85. https://docs.python.org/es/3/library/base64.html. | |
| dc.relation | Ramírez, S. (s.f.). FastAPI. https://fastapi.tiangolo.com. | |
| dc.relation | Rath, S. R. (2021, junio). Face detection with dlib using HOG and linear SVM. https:// debuggercafe.com/face-detection-with-dlib-using-hog-and-linear-svm/ | |
| dc.relation | Ravichandran, T., y Rothenberger, M. A. (2003, agosto). Software reuse strategies and component markets. Commun. ACM, 46(8), 109–114. https://doi.org/10.1145/ 859670.859678. doi: 10.1145/859670.859678 | |
| dc.relation | Revelo, J. (2015, febrero). Volley: Librería de android para realizar peticiones http. https:// www.develou.com/android-volley-peticiones-http | |
| dc.relation | RFC 7519 - JSON web token (JWT). (s.f.). https://datatracker.ietf.org/doc/html/ rfc7519. | |
| dc.relation | Royce, W. W. (1987). Managing the development of large software systems: Concepts and techniques. En Proceedings of the 9th international conference on software engineering (p. 328–338). Washington, DC, USA: IEEE Computer Society Press | |
| dc.relation | Sandberg, D. (2018, abril). Facenet: Face recognition using TensorFlow. https://github .com/davidsandberg/facenet. | |
| dc.relation | Sapp, C. E. (2017). Preparing and architecting for machine learning. https://dl.icdst.org/ pdfs/files3/c8d6cb6df517f1d7d89f4eb475389530.pdf. | |
| dc.relation | Schroff, F., Kalenichenko, D., y Philbin, J. (2015, junio). FaceNet: A unified embedding for face recognition and clustering. IEEE. https://doi.org/10.1109%2Fcvpr.2015 .7298682. doi: 10.1109/cvpr.2015.7298682 | |
| dc.relation | Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., . . . Dennison, D. (2015). Hidden technical debt in machine learning systems. En C. Cortes, N. Lawrence, D. Lee, M. Sugiyama, y R. Garnett (Eds.), Advances in neural information processing systems (Vol. 28). Curran Associates, Inc. https://proceedings.neurips.cc/paper/2015/ file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf. | |
| dc.relation | Sengupta, S., Chen, J.-C., Castillo, C., Patel, V. M., Chellappa, R., y Jacobs, D. W. (2016). Frontal to profile face verification in the wild. En 2016 ieee winter conference on applications of computer vision (wacv) (p. 1-9). doi: 10.1109/WACV.2016.7477558 | |
| dc.relation | Serengil, S. I. (2019, julio). Matlab Model to Keras. https://github.com/serengil/ tensorflow-101/blob/master/python/Matlab-Model-to-Keras.ipynb. | |
| dc.relation | Serengil, S. I. (2022). Deepface. https://github.com/serengil/deepface. | |
| dc.relation | Serengil, S. I., y Ozpinar, A. (2020). Lightface: A hybrid deep face recognition frame work. En 2020 innovations in intelligent systems and applications conference (as yu) (p. 23-27). https://doi.org/10.1109/ASYU50717.2020.9259802. doi: 10.1109/ ASYU50717.2020.9259802 | |
| dc.relation | Silva, I. J. (2018). Reconocimiento facial basado en redes neuronales convolucionales. [In geniería de las Tecnologías de Telecomunicación, Universidad de Sevilla]. https:// idus.us.es/bitstream/handle/11441/85086/TFG-1975-JIMENEZ.pdf | |
| dc.relation | Sommerville I., M. A. B., Galipienso M. I. A. (2005). Ingenieria del software. (7a ed.). Pearson Addison Wesley | |
| dc.relation | Sotaquira, M. (s.f.). Detección de rostros con machine learning. https://www .codificandobits.com/blog/deteccion-de-rostros-machine-learning/ | |
| dc.relation | Sotaquira, M. (2018, junio). Reconocimiento facial con machine learning: FaceNet y one shot learning. https://www.codificandobits.com/blog/reconocimiento-facial -machine-learning/ | |
| dc.relation | Sotaquira, M. (2019). ¿qué son las redes convolucionales? https://www.codificandobits .com/blog/redes-convolucionales-introduccion/. | |
| dc.relation | Stanford-Clark, A., y Truong, H. L. (2013). MQTT for sensor networks (MQTT-SN) protocol spe cification version 1.2. https://www.oasis-open.org/committees/download.php/ 66091/MQTT-SN_spec_v1.2.pdf. | |
| dc.relation | SthPhoenix. (2021). InsightFace-REST. https://github.com/SthPhoenix/InsightFace -REST. | |
| dc.relation | Sufyanu, Z., Mohamad, F., Yusuf, A., y Nuhu, A. (2016, octubre). Feature extraction methods for face recognition. International journal of applied engineering research (IRAER), 5, 5658-5668. | |
| dc.relation | Sun, Y., Wang, X., y Tang, X. (2014a). Deep learning face representation by joint identification verification. arXiv. https://arxiv.org/abs/1406.4773. doi: 10.48550/ARXIV.1406 .4773 | |
| dc.relation | Sun, Y., Wang, X., y Tang, X. (2014b). Deep learning face representation from predicting 10,000 classes. En 2014 IEEE Conference on Computer Vision and Pattern Recognition (p. 1891-1898). doi: 10.1109/CVPR.2014.244 | |
| dc.relation | Taigman, Y., Yang, M., Ranzato, M., y Wolf, L. (2014). Deepface: Closing the gap to human level performance in face verification. En 2014 ieee conference on computer vision and pattern recognition (p. 1701-1708). doi: 10.1109/CVPR.2014.220 | |
| dc.relation | The PostgreSQL Global Development Group. (s.f.). Postgresql. https://www.postgresql .org/. | |
| dc.relation | Uvicorn.org. (s.f.). Uvicorn: An asgi web server, for python. https://www.uvicorn.org. Victor Iwantooxxoox. (2021, marzo). Keras OpenFace. https://github.com/ iwantooxxoox/Keras-OpenFace. | |
| dc.relation | Viola, P., y Jones, M. (2005). Rapid object detection using a boosted cascade of simple features. En Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001. IEEE Comput. Soc. | |
| dc.relation | Wan, Z., Xia, X., Lo, D., y Murphy, G. C. (2021). How does machine learning change software development practices? IEEE Transactions on Software Engineering, 47(9), 1857-1871. doi: 10.1109/TSE.2019.2937083 | |
| dc.relation | Wu, X., He, R., Sun, Z., y Tan, T. (2015). A light cnn for deep face representation with noisy labels. https://arxiv.org/abs/1511.02683. arXiv. doi: 10.48550/ARXIV.1511.02683 | |
| dc.relation | Yang, M.-H., Kriegman, D., y Ahuja, N. (2002). Detecting faces in images: a survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(1), 34-58. doi: 10.1109/ 34.982883 | |
| dc.relation | Yi, D., Lei, Z., Liao, S., y Li, S. Z. (2014). Learning face representation from scratch. arXiv. https://arxiv.org/abs/1411.7923. doi: 10.48550/ARXIV.1411.7923 | |
| dc.relation | Zhang, K., Zhang, Z., Li, Z., y Qiao, Y. (2016). Joint face detection and alignment using multitask cascaded convolutional networks. IEEE Signal Processing Letters, 23(10), 1499-1503. doi: 10.1109/LSP.2016.2603342 | |
| dc.relation | Zhang, R., Xiao, W., Zhang, H., Liu, Y., Lin, H., y Yang, M. (2020, junio). An empirical study on program failures of deep learning jobs. En [Proceedings of the ACM/IEEE 42nd International Conference on Software Engineering, Association for Computing Machinery]. Seoul South Korea. https://doi.org/10.1145/3377811.3380362 | |
| dc.relation | Zhang, T., Gao, C., Ma, L., Lyu, M., y Kim, M. (2019, octubre). An empirical study of common challenges in developing deep learning applications. En [2019 IEEE 30th International Symposium on Software Reliability Engineering (ISSRE)]. Berlin, Germany. https:// ieeexplore.ieee.org/document/8987482. | |
| dc.relation | Zheng, T., y Deng, W. (2018, febrero). Cross-pose lfw: A database for studying cross-pose face recognition in unconstrained environments (Inf. Téc. n.o 18-01). Beijing University of Posts and Telecommunications. doi: null | |
| dc.relation | Zheng, T., Deng, W., y Hu, J. (2017). Cross-age lfw: A database for studying cross-age face recognition in unconstrained environments. arXiv. https://arxiv.org/abs/1708 .08197. doi: 10.48550/ARXIV.1708.08197 | |
| dc.relation | Zhu, Z., Huang, G., Deng, J., Ye, Y., Huang, J., Chen, X., . . . Zhou, J. (2021). Webface260m: A benchmark unveiling the power of million-scale deep face recognition. arXiv. https:// arxiv.org/abs/2103.04098. doi: 10.48550/ARXIV.2103.04098 | |
| dc.rights | Manifiesto (Manifestamos) en este documento la voluntad de autorizar a la Biblioteca Jorge Roa Martínez de la Universidad Tecnológica de Pereira la publicación en el Repositorio institucional (http://biblioteca.utp.edu.co), la versión electrónica de la OBRA titulada: ________________________________________________________________________________________________ ________________________________________________________________________________________________ ________________________________________________________________________________________________ La Universidad Tecnológica de Pereira, entidad académica sin ánimo de lucro, queda por lo tanto facultada para ejercer plenamente la autorización anteriormente descrita en su actividad ordinaria de investigación, docencia y publicación. La autorización otorgada se ajusta a lo que establece la Ley 23 de 1982. Con todo, en mi (nuestra) condición de autor (es) me (nos) reservo (reservamos) los derechos morales de la OBRA antes citada con arreglo al artículo 30 de | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación | |
| dc.subject | Computer aided software engineering | |
| dc.subject | Neural network hardware | |
| dc.subject | Recurrent neural networks | |
| dc.subject | Ingeniería de software | |
| dc.subject | Red neuronal convolucional | |
| dc.subject | Desarrollo de software | |
| dc.title | Reconocimiento facial para la automatización del registro de asistencia a clases | |
| dc.type | Trabajo de grado - Maestría | |
| dc.type | http://purl.org/coar/resource_type/c_bdcc | |
| dc.type | http://purl.org/coar/version/c_ab4af688f83e57aa | |
| dc.type | Text | |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dc.type | info:eu-repo/semantics/acceptedVersion | |
