Preservación de género en imágenes perioculares de iris en espectro infrarrojo usando redes generativas adversas
Cargando...
Archivos
Fecha
2021
Profesor/a Guía
Facultad/escuela
Idioma
es
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Andrés Bello
Nombre de Curso
Licencia CC
Licencia CC
Resumen
El uso de la biometría de iris se ha visto incrementado en el tiempo al ser estable y no invasiva en comparación a otras biometrías, lo cual la hace una fuente confiable para extraer información. Adicionalmente en el transcurso de la pandemia (COVID-19) la biometría de iris se ha visto beneficiada debido a que no existe contacto directo al momento de obtener la muestra biométrica. A partir de esta biometría de iris se puede extraer información de utilidad como lo son las biometrías suaves, siendo el género (sexo biológico), en particular, un área de bastante interés ya que presenta diversas aplicaciones en el área forense, marketing, seguridad y social. Para entrenar clasificadores de género (hombre/mujer) robustos se requiere contar con una gran cantidad de imágenes, para prevenir el sesgo en los resultados. Sin embargo, las bases de datos disponibles de imágenes de espectro infrarrojo cercano (NIR, en inglés) de la región periocular del ojo anotadas con el género son escasas y poseen una distribución desigual entre hombres y mujeres con un gran número de imágenes para pocos sujetos, lo cual produce sobre-ajuste en el clasificador. Una alternativa para solucionar la escasez de imágenes consiste en la generación de imágenes sintéticas que preserven el género. Sin embargo, no existen muchos trabajos en la literatura respecto a este tema en específico. En el presente trabajo se implementó una red neuronal convolucional, del tipo Red Generativa Adversa (GAN, en inglés) denominada "StyleGANv2-ada"paragenerar imágenes NIR de la región periocular del ojo con un género en específico con el fin de aumentar el número de imágenes disponibles y entrenar clasificadores de género más robustos. Los conjuntos de imágenes reales e imágenes sintéticas se utilizan para entrenar y evaluar clasificadores del tipo Máquinas de Soporte Vectorial (SVM, en inglés)y Bosques Aleatorios (Random Forest, en inglés). Inicialmente se entrenan y evalúan los clasificadores únicamente con imágenes reales y posteriormente se añade el conjunto de imágenes sintéticas al conjunto de entrenamiento. Los resultados muestran que la GAN implementada consigue generar imágenes con una mejor calidad en comparación a otras GANs mientras se preserva el género, alcanzando una distancia de Fréchet (FID, en inglés) de 16.19. Adicionalmente se observa que, al aumentar el conjunto de entrenamiento de los clasificadores con las imágenes sintéticas, también mejora el desempeño de estos. Los mejores resultados que representan una mejora se obtienen con un clasificador SVM utilizando como información la intensidad, la forma del ojo y la fusión de la textura con la forma alcanzando un accuracy de 85.22 %, 82.00 % y 83.44 % respectivamente. Mientras que usando como información la forma del ojo se alcanza un 72.11 %de accuracy lo que representa una disminución en relación con el conjunto de entrenamiento original.
Notas
Tesis (Ingeniero Civil Informático)
Palabras clave
Biometría, Género, Procesamiento de Datos