En els últims anys, s'han aconseguit avenços significatius en el reconeixement facial. Aquesta revisió ofereix una visió general de les tasques clau, models i mètodes de solució, amb un enfocament especial en l'evolució de les funcions de pèrdua.
El reconeixement facial és una tècnica que permet identificar o verificar la identitat d'una persona utilitzant fotos, vídeos o imatges en temps real. En aquesta revisió, s'explorarà la identificació basada en una sola imatge digital o un fotograma de vídeo.
El reconeixement facial té aplicacions en diversos sectors, incloent-hi el financer, la ciberseguretat, la vigilància per vídeo, els serveis per a llars intel·ligents i l'autenticació multifactor. A més d'aquests usos pràctics, els models de reconeixement facial tenen un paper crucial en models generatius moderns.
A Q2BSTUDIO, empresa de desenvolupament i serveis tecnològics, treballem amb tecnologies avançades d'intel·ligència artificial i aprenentatge profund per oferir solucions innovadores en reconeixement facial. El nostre equip d'experts desenvolupa i implementa models personalitzats segons les necessitats específiques de cada indústria, garantint seguretat, precisió i eficiència.
Un element clau en el reconeixement facial és la funció de pèrdua utilitzada durant l'entrenament del model. ArcFace ha estat una de les funcions més utilitzades en els últims anys, mentre que CosFace i FaceNet també han estat explorades.
El procés de reconeixement facial segueix un pipeline que inclou diverses etapes: detecció facial, retall i alineació. Generalment, s'utilitzen detectors addicionals per definir els contorns del rostre i els punts clau facials. Posteriorment, la imatge processada s'introdueix al model.
Els models de reconeixement facial solen constar de dos components principals:
Backbone. És l'extractor de característiques, encarregat de convertir una imatge de rostre en un vector de característiques. S'utilitzen xarxes neuronals convolucionals com ResNet, VGGNet, SE-ResNet, Vision Transformer i altres models avançats.
Funció de pèrdua. El seu objectiu és dirigir l'entrenament del model perquè generi embeddings similars per a fotos de la mateixa persona i diferents per a persones diferents. Per mesurar aquestes diferències, s'empren mètriques com la distància cosinus o la distància L2.
Les funcions de pèrdua es poden classificar en dues grans categories: les basades en parells i les basades en classificació.
Funcions de pèrdua basades en parells: Aquestes inclouen Contrastive loss, Triplet loss i N-pairs loss. Funcionen aparellant imatges positives i negatives per millorar la representació de les característiques facials, tot i que poden incrementar significativament la mida de les dades.
Funcions de pèrdua basades en classificació: Inclouen Softmax loss, CosFace i ArcFace. Aquestes tècniques utilitzen prototips o centres de classes que s'actualitzen durant l'entrenament del model.
ArcFace, desenvolupat el 2018, va marcar un avenç en modificar la funció Softmax tradicional, proporcionant una millor delimitació entre classes mitjançant la utilització d'angles en lloc de similitud cosinus.
Altres models posteriors han intentat millorar la gestió del soroll a les dades i l'optimització dels marges, com ara Sub-center ArcFace (2020), AdaCos (2019), X2-Softmax (2023) i SFace (2022). Aquestes noves funcions busquen equilibrar la convergència del model i la discriminació entre classes sense amplificar el soroll.
Una nova tendència en reconeixement facial és la representació del prototip d'una identitat com una distribució en lloc d'un sol punt a l'espai de característiques. Models com VPL i EPL exploren aquest enfocament per reduir l'impacte de valors atípics i millorar la precisió del reconeixement.
Alhora, la incorporació d'arquitectures basades en transformadors ha sorgit com una solució per millorar la discriminació del model, com en el cas de Transformer-ArcFace, combinant xarxes convolucionals amb xarxes d'atenció per potenciar la capacitat del model.
A Q2BSTUDIO, explorem i desenvolupem solucions tecnològiques que integren aquests avenços en reconeixement facial, garantint un rendiment òptim i segur per als nostres clients. El nostre enfocament es basa en la innovació i en l'aplicació d'algoritmes d'avantguarda que permeten millorar la identificació biomètrica en diferents sectors.
Aquesta revisió ha cobert algunes de les funcions de pèrdua més rellevants en el reconeixement facial, però hi ha molts altres aspectes a considerar en futurs estudis:
- Arquitectures de models de reconeixement facial
- Solucions per a casos especials com identificació amb oclusió, envelliment, il·luminació variable i diferents postures
- Reconeixement 3D i dinàmic
- Revisió de datasets utilitzats en entrenament
A Q2BSTUDIO, continuem investigant i aplicant aquests avenços tecnològics per oferir solucions d'avantguarda en reconeixement facial, assegurant seguretat, precisió i eficiència en cada implementació.
