Reconocimiento facial en imágenes mediante técnicas de aprendizaje profundo

Abstract

Este trabajo presenta una aplicación basada en aprendizaje profundo para diferenciar entre rostros reales y aquellos generados artificialmente por inteligencia artificial. Para ello, se emplean Redes Neuronales Convolucionales (CNN), específicamente los modelos AlexNet, VGGNet y ResNet50. Estas arquitecturas han sido ampliamente utilizadas en tareas de clasificación de imágenes debido a su capacidad para extraer características relevantes de manera eficiente. Durante el entrenamiento, los modelos aprenden a distinguir entre rostros reales y aquellos generados artificialmente mediante el análisis de patrones y texturas que pueden no ser perceptibles a simple vista. Antes del entrenamiento, el usuario puede elegir el modelo de red a utilizar y pará metros tales como el algoritmo de optimización, el tamaño del mini lote, el número de épocas y la tasa de aprendizaje. Durante el entrenamiento, el sistema analiza miles de imágenes y extrae patrones característicos que diferencian un rostro auténtico de uno sintético. Una vez finalizado el proceso, se presentan los resultados obtenidos y se guardan las métricas de evaluación, como la precisión, la tasa de error y la curva de aprendizaje, facilitando comparaciones futuras y ajustes en el modelo para mejorar su rendimiento. La principal funcionalidad de la aplicación es que, una vez entrenado el modelo, este pueda recibir una imagen y clasificarla automáticamente como real o generada por IA. Esto tiene aplicaciones en la detección de deepfakes, la verificación de autenticidad en medios digitales y la prevención de fraudes en plataformas en línea. Con la creciente sofisticación de las técnicas de generación de imágenes, herramientas como esta se vuelven fundamentales para preservar la confianza en el contenido visual y garantizar la seguridad en entornos digitales.This final degree project presents an application based on deep learning to differentiate between real faces and those computer-generated by artificial intelligence. To achieve this, Convolutional Neural Networks (CNN) are used, specifically the AlexNet, VGGNet, and ResNet50 models. These architectures have been widely used in image classification tasks due to their ability to efficiently extract relevant features. During training, the models learn to distinguish between real and artificially generated faces by analyzing patterns and textures that may not be perceptible by human eye. Before training, the user can select the model and parameters such as the optimization algorithm, mini-batch size, number of epochs and learning rate. During training, the system analyzes thousands of images and extracts characteristic patterns that differentiate an authentic face from a synthetic one. Once the process is completed, the obtained results are presented, and evaluation metrics such as accuracy, error rate, and learning curve graph are stored, facilitating future comparisons and model adjustments to improve performance. The main functionality of the application is that, once the model is trained, it can recieve an image and automatically classify it as real or AI-generated. This has applications in deepfake detection, authenticity verification in digital media, and fraud prevention on online platforms. With the increasing sophistication of image generation techiniques, tools like this become essential to preserve trust in visual content and ensure security in digital environments.