El aprendizaje profundo se ha vuelto cada vez más popular y se aplicaampliamente a los sistemas de visión por computadora. A lo largo de losaños, los investigadores han desarrollado varias arquitecturas de aprendizaje profundo para resolver diferentes tipos de problemas. Sin embargo,estas redes consumen mucha energía y requieren computación de alto rendimiento (es decir, GPU, TPU, etc.) para funcionar correctamente. Moverla computación a la nube puede resultar en problemas de tráfico, latenciay privacidad. La computación en el borde puede resolver estos desafíos,pues permite acercar el proceso de computación al lugar donde se generanlos datos. Un desafío importante es adaptar las altas demandas de recursosdel aprendizaje profundo a dispositivos de computación de borde menospotentes. En esta investigación, presentamos una implementación de unsistema de reconocimiento facial integrado en una Raspberry Pi de bajocosto, la cual está basada en la red FaceNet. Esta implementación requirióel desarrollo de una biblioteca en C++ que puede describir la inferencia dela arquitectura de la red neuronal FaceNet. El sistema tuvo una exactitudy precisión de 77.38 % y del 81.25 %, respectivamente. El tiempo de ejecución de cada inferencia es de 11 segundos y consume 46 [kB] de RAM. Elsistema resultante podría utilizarse como un sistema de control de accesoindependiente. El modelo y la librería implementados están disponibles enhttps://github.com/cristianMiranda-Oro/FaceNet_EmbeddedSystem.
1 INTRODUCCIÓN
La cara de una persona contiene información física que puede ser utilizada para aplicaciones de seguridad y control de acceso. La principal motivación para el reconocimiento facial es porque se considera un sistema pasivo y no intrusivo. La mayoría de los datos biométricos necesitan ser recogidos por hardware especial como un escáner de huellas dactilares, un escáner de huellas palmares, un analizador de ADN, etc [1]. El reconocimiento facial no requiere contacto físico y es menos intrusivo que otros sistemas biométricos.
Se ha trabajado mucho para que los algoritmos de reconocimiento facial sean más fiables y precisos. En los últimos años, los enfoques de aprendizaje profundo han dominado el campo del reconocimiento facial debido a su alto rendimiento en el aprendizaje de características discriminativas. Como ejemplo, la solución propuesta en [2] alcanzó una precisión del 99,63 % en el conjunto de datos Labeled Faces in the Wild (LFW) [3] utilizando un sistema de aprendizaje profundo llamado FaceNet con casi 7,5M de parámetros.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Más allá de las réplicas virtuales: Modelado 3D y arquitectura prehistórica maltesa
Artículo:
Evaluación de la calidad de imagen de distintas técnicas de compresión Wavelet en un marco de comunicación visual
Artículo:
Un nuevo esquema de ordenación eficiente para la detección de esferas
Artículo:
¿Qué hay sobre la evaluación DevOps? Un mapa sistemático
Artículo:
Selección de acciones en la cartera mediante el análisis cuantitativo difuso y la toma de decisiones multicriterio difusa
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
¿Por qué debemos conservar la fauna silvestre?
Artículo:
Control y vigilancia de la calidad del agua de consumo humano
Manual:
Deshidratación y desecado de frutas, hortalizas y hongos. Procedimientos hogareños y comerciales de pequeña escala