Referencia de eficiencia frente al modelo propuesto V1
Se implementó una versión basada en la arquitectura original de SqueezeNet, manteniendo sus módulos Fire, compuestos por una etapa de compresión mediante convoluciones de 1 × 1 y una etapa de expansión con ramas paralelas de 1 × 1 y 3 × 3. El clasificador fue adaptado a una salida binaria sigmoide. Su reducido número de parámetros permitió utilizarlo como referencia de eficiencia frente al modelo V1.
26,112
Integrado con 1,942 credenciales INE reales (974 anverso, 968 reverso) y enriquecido con 25,138 imágenes externas, como otras identificaciones, para enseñarle al modelo a rechazar documentos que no son una INE.
77.34%
Train (20,197)11.31%
Test (2,955)11.33%
Validate (2,960)300 × 200 px RGB
RMSprop lr=1e-4
Binary Crossentropy
30
| Capa / Orden | Tipo de capa | Filtros / Neuronas | Kernel | Activación | Formato de salida |
|---|---|---|---|---|---|
| Entrada | Input Tensor | Canales RGB | — | — | 200 × 300 × 3 |
| conv2d | Conv2D | 96 filtros | (7,7) | — | 100 × 150 × 96 |
| fire2_squeeze | Conv2D | 16 filtros | (1,1) | — | 50 × 75 × 16 |
| fire2_expand1x1 | Conv2D | 64 filtros | (1,1) | — | 50 × 75 × 64 |
| fire2_expand3x3 | Conv2D | 64 filtros | (3,3) | — | 50 × 75 × 64 |
| fire2_concat | Concatenate | — | — | — | 50 × 75 × 128 |
| fire3_squeeze | Conv2D | 16 filtros | (1,1) | — | 50 × 75 × 16 |
| fire3_expand1x1 | Conv2D | 64 filtros | (1,1) | — | 50 × 75 × 64 |
| fire3_expand3x3 | Conv2D | 64 filtros | (3,3) | — | 50 × 75 × 64 |
| fire3_concat | Concatenate | — | — | — | 50 × 75 × 128 |
| fire4_squeeze | Conv2D | 32 filtros | (1,1) | — | 50 × 75 × 32 |
| fire4_expand1x1 | Conv2D | 128 filtros | (1,1) | — | 50 × 75 × 128 |
| fire4_expand3x3 | Conv2D | 128 filtros | (3,3) | — | 50 × 75 × 128 |
| fire4_concat | Concatenate | — | — | — | 50 × 75 × 256 |
| fire5_squeeze | Conv2D | 32 filtros | (1,1) | — | 25 × 38 × 32 |
| fire5_expand1x1 | Conv2D | 128 filtros | (1,1) | — | 25 × 38 × 128 |
| fire5_expand3x3 | Conv2D | 128 filtros | (3,3) | — | 25 × 38 × 128 |
| fire5_concat | Concatenate | — | — | — | 25 × 38 × 256 |
| fire6_squeeze | Conv2D | 48 filtros | (1,1) | — | 25 × 38 × 48 |
| fire6_expand1x1 | Conv2D | 192 filtros | (1,1) | — | 25 × 38 × 192 |
| fire6_expand3x3 | Conv2D | 192 filtros | (3,3) | — | 25 × 38 × 192 |
| fire6_concat | Concatenate | — | — | — | 25 × 38 × 384 |
| fire7_squeeze | Conv2D | 48 filtros | (1,1) | — | 25 × 38 × 48 |
| fire7_expand1x1 | Conv2D | 192 filtros | (1,1) | — | 25 × 38 × 192 |
| fire7_expand3x3 | Conv2D | 192 filtros | (3,3) | — | 25 × 38 × 192 |
| fire7_concat | Concatenate | — | — | — | 25 × 38 × 384 |
| fire8_squeeze | Conv2D | 64 filtros | (1,1) | — | 25 × 38 × 64 |
| fire8_expand1x1 | Conv2D | 256 filtros | (1,1) | — | 25 × 38 × 256 |
| fire8_expand3x3 | Conv2D | 256 filtros | (3,3) | — | 25 × 38 × 256 |
| fire8_concat | Concatenate | — | — | — | 25 × 38 × 512 |
| fire9_squeeze | Conv2D | 64 filtros | (1,1) | — | 13 × 19 × 64 |
| fire9_expand1x1 | Conv2D | 256 filtros | (1,1) | — | 13 × 19 × 256 |
| fire9_expand3x3 | Conv2D | 256 filtros | (3,3) | — | 13 × 19 × 256 |
| fire9_concat | Concatenate | — | — | — | 13 × 19 × 512 |
| dropout | Dropout (Regularización) | rate = 0.5 | — | — | 512 elementos |
| conv2d_1 | Conv2D | 1 filtros | (1,1) | — | 13 × 19 × 1 |
| global_average_pooling2d | GlobalAveragePooling2D | — | — | — | 1 elementos |
| activation | Activación | — | — | Sigmoide | 1 elementos |
Verificación de Identificaciones mediante Redes Neuronales
Pérdida
Precisión
0
151
0
2,823
V1 (MFHA_CDO, el modelo propuesto) contra tres arquitecturas de referencia entrenadas sobre el mismo dataset — MobileNetV2, SqueezeNet y EfficientNet-B0.
V1 · MFHA_CDO
V0.1 · MobileNetV2
V0.2 · SqueezeNet
V0.3 · EfficientNet-B0
Tras 30 épocas: 99.6% train · 99.9% val
Tras 30 épocas: 99.65% train · 99.2% val
Tras 30 épocas: 97.45% train · 95.9% val
Tras 30 épocas: 99.55% train · 99.8% val
Global 99.66%
2964/2974 aciertosBalanceada 99.20%INE 98.68% · 149/151Global 99.43%
2957/2974 aciertosBalanceada 95.31%INE 90.73% · 137/151Global 94.92%
2823/2974 aciertosBalanceada 50.00%INE 0.00% · 0/151Global 99.73%
2966/2974 aciertosBalanceada 97.66%INE 95.36% · 144/15120.47 MB
4.44 MB (4.6× más chico que V1)
1.43 MB (14.3× más chico que V1)
7.90 MB (2.6× más chico que V1)
Referencia (V1)
~4.6× más rápido que V1
~14.3× más rápido que V1
~2.6× más rápido que V1