Resumen

El sistema de reconocimiento facial multipropósito es uno de los retos recientes a los que se enfrentan los investigadores interesados en las aplicaciones de seguridad. Se han introducido diferentes investigaciones que discuten la mejora de la precisión del reconocimiento facial multipropósito a través de la mejora del detector de rostros como Viola-Jones, Real Adaboost y Cascade Object Detector, mientras que otros se concentran en los sistemas de reconocimiento como la máquina de vectores de apoyo y las redes neuronales de convolución profunda. En este trabajo se propone un clasificador combinado de cuantificación vectorial de aprendizaje profundo (CADLVQ). El clasificador propuesto ha potenciado la debilidad de los clasificadores de cuantificación vectorial de aprendizaje profundo adaptativo mediante el uso del algoritmo de votación por mayoría con el extractor de características robusto acelerado. Los resultados experimentales indican que, el clasificador propuesto proporcionó resultados prometedores en términos de sensibilidad, especificidad, precisión y exactitud en comparación con los enfoques recientes en el aprendizaje profundo, la estadística y las redes neuronales clásicas. Por último, la comparación se realiza empíricamente utilizando la matriz de confusión para asegurar la fiabilidad y robustez del sistema propuesto en comparación con el estado del arte.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:reconocimiento facial multipropósito, clasificador propuesto, clasificador de cuantificación vectorial, términos de sensibilidad, detector de objetos en cascada, aprendizaje profundo adaptativo, sistema de reconocimiento facial, mejora del multipropósito, extractor de características robusto, red neuronal clásica
• Keywords:multipose face recognition, proposed classifier, vector quantization classifier, terms of sensitivity, cascade object detector, adaptive deep learning, face recognition system, improvement of multipose, robust features extractor, classical neural network