Avances en Técnicas de Verificación de Parentesco Facial

La verificación de parentesco facial trata de averiguar si dos personas están relacionadas solo mirando sus caras. Esta tarea se está volviendo más popular, especialmente en áreas como la investigación criminal, redes sociales y el estudio de tendencias poblacionales. En los últimos años, los métodos que usan aprendizaje profundo han mostrado gran promesa para mejorar cómo hacemos esto, dando mejores resultados que antes.

#¿Qué es la Verificación de Parentesco Facial?

El objetivo principal de la verificación de parentesco facial es ver cuán cercanamente relacionadas están dos personas basándose en sus rasgos faciales. Esto puede tener muchas aplicaciones útiles, desde construir árboles genealógicos y localizar a personas desaparecidas, hasta organizar fotos en tu computadora y usar caras para identificar a las personas.

Para hacer esto, la tecnología necesita reconocer y analizar características que se transmiten de padres a hijos o que se comparten entre hermanos. Por ejemplo, se fija en cosas como la distancia entre los ojos, la forma de la nariz y el grosor de los labios.

#Tipos de Enfoques

Generalmente, hay dos tipos de métodos utilizados para la verificación de parentesco facial:

1. Modelos Superficiales: Estos dependen de características básicas como formas, colores y distancias. Usan técnicas simples para analizar imágenes.

2. Modelos Profundos: Estos se basan en técnicas de aprendizaje profundo, en particular Redes Neuronales Convolucionales (CNNs). Son mejores para extraer características complicadas de las imágenes.

La mayoría de los modelos profundos comienzan con un modelo de reconocimiento facial preentrenado como base. Aunque la verificación de parentesco facial es similar al reconocimiento facial, tiene sus propios desafíos. Puede ser más complicado encontrar vínculos familiares debido a diferencias como la edad y el género entre los miembros de la familia.

#Desafíos en los Enfoques Actuales

Los métodos actuales enfrentan algunos problemas comunes:

1. Pueden verse afectados por cambios en las expresiones faciales, iluminación y ángulos, lo que puede hacer que los resultados sean menos confiables.
2. Muchos métodos existentes no consideran las similitudes que existen entre personas relacionadas, lo que puede llevar a resultados menos precisos.

Aunque ha habido mejoras en la precisión con métodos más nuevos, estos desafíos siguen siendo significativos.

#Nuevo Enfoque para la Verificación de Parentesco Facial

En esta discusión, presentamos un nuevo método que utiliza Aprendizaje Contrastivo Supervisado. Esta técnica entrena a un modelo para aumentar la similitud entre individuos relacionados mientras reduce la similitud entre los que no lo están. Nuestros experimentos muestran resultados prometedores, logrando una precisión del 81.1% en un conjunto de datos conocido llamado Familias en la Naturaleza (FIW).

#Entrenando el Modelo

El modelo utiliza dos etapas principales para el entrenamiento:

1. Aprendizaje Contrastivo Supervisado: Esto implica enseñar al modelo con datos etiquetados. El objetivo es asegurarse de que las caras de los miembros de la familia aparezcan más juntas en un espacio de representación específico, mientras que las caras de no familiares estén más separadas.

2. Clasificación Binaria: Después de la primera etapa, se entrena un Clasificador Binario utilizando las representaciones faciales procesadas. Este paso se centra en decidir si dos individuos están relacionados o no.

#Componentes del Marco

Nuestro enfoque consiste en tres componentes principales:

• Codificador de Red Neuronal: Esto extrae características importantes de las imágenes faciales de entrada.
• Cabeza de proyección: Esto transforma las características extraídas en un tamaño más pequeño y manejable, donde se puede aplicar la función de pérdida contrastiva.
• Clasificador Binario: Este toma las características de dos imágenes, las combina y predice su relación.

#Balanceando el Conjunto de Datos

Un desafío con el conjunto de datos FIW es que el número de fotos por persona y familias es desigual. Para abordar esto, diseñamos un método de muestreo por lotes. Este método balancea las imágenes, asegurando que no usemos imágenes de la misma familia como pares negativos.

En este método, comenzamos con una lista de pares de imágenes. Las barajamos y creamos lotes, asegurándonos de eliminar duplicados de familias. Para cada par en el lote, seleccionamos las imágenes menos usadas, asegurando que todos tengan representación equitativa.

#Experimentando y Analizando Resultados

Realizamos varios experimentos para validar nuestro enfoque contra métodos existentes. Todas las pruebas se realizaron utilizando una potente GPU y software relevante.

El conjunto de datos FIW, conocido por ser el más grande disponible para esta tarea, consta de 11,932 fotos que representan 1,000 familias. Este conjunto contiene muchas relaciones familiares diferentes, incluidos padre-hijo, madre-hija y hermanos.

Elegimos el conjunto de datos FIW por dos razones principales:

1. Es ampliamente aceptado en el mundo de la investigación, sirviendo como un estándar para probar tecnologías de reconocimiento facial.
2. Los datos diversos ofrecen una mejor representación de imágenes de la vida real, haciendo nuestras pruebas más confiables y aplicables.

Para asegurar la calidad de los datos, todas las caras fueron detectadas y alineadas para reducir la confusión por iluminación o ángulos inconsistentes. Luego, las imágenes fueron redimensionadas para adaptarse a nuestro modelo.

#Metodología de Entrenamiento

Durante el entrenamiento, aplicamos diversas técnicas para mejorar el rendimiento del modelo. Se entrenó al modelo con ciertas estrategias, como usar una tasa de aprendizaje específica y optimizar ambas etapas de manera eficiente. Se utilizaron técnicas de aumento de datos, como variar colores y reflejos, para ayudar al modelo a generalizar mejor sin comprometer la calidad de las imágenes faciales.

#Rendimiento del Nuevo Método

Nuestro método mostró resultados impresionantes en múltiples relaciones familiares. Logró una precisión promedio del 81.1%, superando muchos intentos anteriores en el campo. Notablemente, el método funcionó particularmente bien para relaciones específicas, como abuelos y nietos.

Al refinar el modelo a través de un ajuste fino, alcanzamos un nuevo récord en precisión, logrando mejoras significativas en nuestra capacidad para evaluar el parentesco a través de imágenes faciales.

#Conclusión

En resumen, presentamos una nueva técnica para la verificación de parentesco facial que usa aprendizaje contrastivo supervisado. Este método captura de manera efectiva similitudes y diferencias entre caras relacionadas y no relacionadas, superando métodos anteriores en el conjunto de datos FIW.

Nuestro enfoque de entrenamiento marca una mejora notable en este campo, mostrando lo bien que el aprendizaje contrastivo supervisado puede identificar relaciones complejas a través de rasgos faciales.

Mirando hacia el futuro, nuestro objetivo es implementar nuestro modelo en dispositivos de borde, lo que permitirá la verificación de parentesco en tiempo real. Este avance llevaría a una mejor privacidad, seguridad y experiencia general del usuario.