Cada línea de código y cada protocolo de prueba responde a una decisión tomada por personas con experiencia en visión por computadora, estadística aplicada y sistemas embebidos. No publicamos resultados que no hayamos reproducido en nuestro propio banco de pruebas.
Directora de investigación, reconocimiento facial
Doce años trabajando en normalización de iluminación y robustez de descriptores. Coordina los ensayos comparativos entre arquitecturas profundas y métodos clásicos, y es responsable de que cada artículo incluya el detalle de configuración necesario para replicar los experimentos.
Responsable de sistemas embebidos y sensores
Diseña los bancos de prueba para sensores ópticos y capacitivos. Su trabajo define qué ataques de presentación se incluyen en cada evaluación y cómo se mide el costo computacional en hardware con recursos limitados.
Especialista en estadística y validación
Se encarga de la selección de métricas, intervalos de confianza y validación cruzada en los estudios de iris y huella. Revisa que las conclusiones de cada white paper no excedan lo que los datos realmente sostienen.
La revisión de cada documento sigue un proceso interno de dos rondas: una técnica y una editorial. Si un resultado no puede repetirse con la misma configuración, no se publica. Así mantenemos el estándar que esperamos de los trabajos que citamos.
El proyecto nació en 2016 dentro de un grupo de investigación aplicada en Río Negro. El primer encargo no fue un producto comercial, sino una auditoría de precisión para un sistema de control de acceso basado en huella dactilar. Los resultados de ese informe marcaron el enfoque del equipo: medir primero, prometer después.
En 2019 consolidamos una línea propia de evaluación de algoritmos de reconocimiento facial, con un banco de pruebas propio y métricas comparables entre sensores. Esa base metodológica es la que hoy sostiene los white papers y las implementaciones que documentamos en el portal.
Primera auditoría de precisión para un sistema de huella dactilar en un organismo público de la región.
Creación del banco de pruebas propio para reconocimiento facial, con condiciones de iluminación controladas.
Publicación del primer white paper sobre ataques de presentación y detección de vida en sensores ópticos.
Apertura del portal académico para compartir metodologías, datos de evaluación y código de referencia.
Accessinox es un grupo de investigación aplicada que estudia sistemas biométricos desde la señal hasta la decisión. No vendemos hardware ni prometemos tasas de acierto imposibles: medimos, documentamos y publicamos lo que ocurre cuando un algoritmo se encuentra con una imagen real, con ruido, con un sensor descalibrado o con un usuario que no coopera.
Nuestro trabajo se orienta a equipos de I+D que necesitan entender los límites de una tecnología antes de integrarla. Por eso cada análisis que publicamos incluye el protocolo de prueba, los datos de entrada y las condiciones de error, para que el lector pueda reproducir el experimento y no solo confiar en una conclusión.
La línea de investigación se consolidó en etapas sucesivas, cada una con un objetivo verificable y resultados publicados. El registro cronológico permite auditar el avance técnico sin depender de declaraciones de intención.
Se formalizó el equipo de investigación con tres líneas iniciales: detección de presentación, normalización de iluminación y segmentación de iris. El primer entregable fue un banco de imágenes propio con 12.000 muestras etiquetadas bajo protocolo interno.
Se completó la evaluación comparativa de LBPH, Eigenfaces y redes profundas en condiciones de iluminación no uniforme. Los resultados definieron la arquitectura de referencia que se utiliza hoy en los proyectos de integración.
El prototipo de liveness detection alcanzó una tasa de error igual en sensores ópticos y capacitivos. La implementación se documentó en un white paper interno que luego derivó en la guía técnica publicada en el centro de documentación.
Se redujo la tasa de error en un 15% mediante ajuste de hiperparámetros del clasificador SVM y refinamiento de la segmentación. El trabajo quedó registrado como referencia para futuras implementaciones en entornos de alta exigencia.