Este repositorio presenta implementaciones de técnicas de transfer learning y fine tuning en varios modelos de visión de PyTorch. El objetivo principal es clasificar adecuadamente un conjunto de datos que incluye imágenes de rostros reales y generados mediante técnicas de deep fake. El conjunto de datos utilizado está disponible en Kaggle y consta de 2041 imágenes, donde las imágenes generadas falsas están etiquetadas según su nivel de dificultad.
EfficientNet es un modelo de red neuronal convolucional (CNN) que utiliza un enfoque de escalado compuesto para mejorar simultáneamente la profundidad, el ancho y la resolución del modelo. La implementación de EfficientNet en este repositorio se realiza mediante transfer learning y fine tuning. El modelo EfficientNet se destaca por su rendimiento, obteniendo un accuracy del 70% en el conjunto de validación y un 74% en el conjunto de prueba. Además, se logra un recall del 70%, un f1 score del 72%. Los resultados se visualizan en la siguiente matriz de confusión:
Puede descargarse dicho modelo en el siguiente enlace
MNA-Net es otro modelo de red neuronal que se implementa mediante transfer learning y fine tuning. La arquitectura específica y las fórmulas asociadas se encuentran detalladas en el notebook [mna-net.ipynb].
MobileNet es una arquitectura de red neuronal diseñada para ejecutarse eficientemente en dispositivos con recursos limitados. La implementación en este repositorio utiliza transfer learning y fine tuning.
ResNet es una arquitectura que introduce bloques residuales para facilitar el entrenamiento de redes profundas. La implementación en este repositorio se realiza mediante transfer learning y fine tuning.
ResNeXt es una extensión de ResNet que utiliza un enfoque de "cardinalidad" para mejorar la representación de las características. Se implementa mediante transfer learning y fine tuning.
VGG16 es una arquitectura clásica conocida por su simplicidad y efectividad. La implementación en este repositorio se lleva a cabo mediante transfer learning y fine tuning.