Detección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundo
Este proyecto tiene como propósito el desarrollo de un modelo que permita clasificar los rostros de un video como reales o alterados por DeepFake. Para esto se hace uso del aprendizaje profundo con el fin de construir un modelo híbrido que pueda clasificar rostros de un video a través de entrenamien...
- Autores:
-
Ballesteros Pastrán, Santiago
Jiménez Varón, Catalina
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/60261
- Acceso en línea:
- http://hdl.handle.net/1992/60261
- Palabra clave:
- Aprendizaje profundo
Deep Learning
Arquitectura hibrida (cnn-rnn)
Hybrid arquitecture (cnn-rnn)
Clasificación multi-rostro
Multi-face classification
Procesamiento de videos
Video processing
Transferencia del aprendizaje
Transfer learning
Ingeniería
- Rights
- openAccess
- License
- Atribución 4.0 Internacional
id |
UNIANDES2_a3fa7bc990982d438b626a99c18c794b |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/60261 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.none.fl_str_mv |
Detección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundo |
title |
Detección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundo |
spellingShingle |
Detección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundo Aprendizaje profundo Deep Learning Arquitectura hibrida (cnn-rnn) Hybrid arquitecture (cnn-rnn) Clasificación multi-rostro Multi-face classification Procesamiento de videos Video processing Transferencia del aprendizaje Transfer learning Ingeniería |
title_short |
Detección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundo |
title_full |
Detección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundo |
title_fullStr |
Detección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundo |
title_full_unstemmed |
Detección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundo |
title_sort |
Detección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundo |
dc.creator.fl_str_mv |
Ballesteros Pastrán, Santiago Jiménez Varón, Catalina |
dc.contributor.advisor.none.fl_str_mv |
Núñez Castro, Haydemar María |
dc.contributor.author.none.fl_str_mv |
Ballesteros Pastrán, Santiago Jiménez Varón, Catalina |
dc.subject.keyword.none.fl_str_mv |
Aprendizaje profundo Deep Learning Arquitectura hibrida (cnn-rnn) Hybrid arquitecture (cnn-rnn) Clasificación multi-rostro Multi-face classification Procesamiento de videos Video processing Transferencia del aprendizaje Transfer learning |
topic |
Aprendizaje profundo Deep Learning Arquitectura hibrida (cnn-rnn) Hybrid arquitecture (cnn-rnn) Clasificación multi-rostro Multi-face classification Procesamiento de videos Video processing Transferencia del aprendizaje Transfer learning Ingeniería |
dc.subject.themes.es_CO.fl_str_mv |
Ingeniería |
description |
Este proyecto tiene como propósito el desarrollo de un modelo que permita clasificar los rostros de un video como reales o alterados por DeepFake. Para esto se hace uso del aprendizaje profundo con el fin de construir un modelo híbrido que pueda clasificar rostros de un video a través de entrenamiento supervisado. La arquitectura propuesta está compuesta por una red neuronal convolucional (CNN), la cual se utiliza como extractor de características, y una red recurrente para la clasificación. Tras probar diferentes variaciones de RNN con la red pre entrenada InceptionV3 se encontró que la mejor se basa en una GRU unidireccional. |
publishDate |
2022 |
dc.date.accessioned.none.fl_str_mv |
2022-08-29T18:28:03Z |
dc.date.available.none.fl_str_mv |
2022-08-29T18:28:03Z |
dc.date.issued.none.fl_str_mv |
2022-08-12 |
dc.type.es_CO.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.es_CO.fl_str_mv |
Text |
dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
status_str |
acceptedVersion |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/60261 |
dc.identifier.instname.es_CO.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.es_CO.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.es_CO.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
http://hdl.handle.net/1992/60261 |
identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.es_CO.fl_str_mv |
spa |
language |
spa |
dc.relation.references.es_CO.fl_str_mv |
Statista. (2019, April 17). Infografía: A la espera de un big bang de datos. Statista Infografías. Retrieved October 7, 2021, from https://es.statista.com/grafico/17734/cantidad-real-y-prevista-de-datos-generados-en-todo-el-mundo/. Ipsos. (2019, June 11). Fake News: A Global Epidemic Vast Majority (86%) of Online Global Citizens Have Been Exposed to it. Ipsos. Retrieved October 7, 2021, from https://www.ipsos.com/en-us/news-polls/cigi-fake-news-global-epidemic. Westerlund, M. (2019). The emergence of deepfake technology: A review. Technology Innovation Management Review. Ballesteros, S., Baron, D., Mejia, M., Portocarrero, L. (Dic, 2021). Desarrollo de un algoritmo de Machine Learning para la detección de contenido multimedia generado por medio de DeepFake. Masood, M., Nawaz, M., Malik, K. M., Javed, A., & Irtaza, A. (2021). Deepfakes Generation and Detection: State-of-the-art, open challenges, countermeasures, and way forward. arXiv preprint arXiv:2103.00484. Colaner, N. & Quinn, .M.J (2020). Deepfakes and the Value-Neutrality Thesis Retrieved October 7, 2021 from https://www.seattleu.edu/ethics-and-technology/viewpoints/deepfakes-and-the-value-neutrality-thesis.html Colak, B. (2021). Legal Issues of DeepFakes. Retrieved October 7, 2021 from https://www.internetjustsociety.org/legal-issues-of deepfakes Chesney, R., and Citron, D. K. (2018). Deep fakes: a looming challenge for privacy, democracy, and national security. https://dx.doi.org/10.2139/ssrn.3213954. De Lima, O., Franklin, S., Basu, S., Karwoski, B., and George, A. (2020). Deepfake detection using spatiotemporal convolutional networks. arXiv preprint arXiv:2006.14749. Korshunov, P., and Marcel, S. (2019). Vulnerability assessment and detection of deepfake videos. In The 12th IAPR International Conference on Biometrics (ICB), pp. 1-6. Faceswap-GAN. Available at https://github.com/shaoanlu/faceswap-GAN. VidTIMIT database. Available at http://conradsanderson.id.au/vidtimit/ Parkhi, O. M., Vedaldi, A., and Zisserman, A. (2015, September). Deep face recognition. In Proceedings of the British Machine Vision Conference (BMVC) (pp. 41.1-41.12). FaceNet. Available at https://github.com/davidsandberg/facenet. Schroff, F., Kalenichenko, D., and Philbin, J. (2015). Facenet: A unified embedding for face recognition and clustering. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 815-823). Chung, J. S., Senior, A., Vinyals, O., and Zisserman, A. (2017, July). Lip reading sentences in the wild. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 3444-3453). Korshunov, P., and Marcel, S. (2018, September). Speaker inconsistency detection in tampered video. In 2018 26th European Signal Processing Conference (EUSIPCO) (pp. 2375- 2379). IEEE. Galbally, J., and Marcel, S. (2014, August). Face anti-spoofing based on general image quality assessment. In 2014 22nd International Conference on Pattern Recognition (pp. 1173- 1178). IEEE. Sabir, E., Cheng, J., Jaiswal, A., AbdAlmageed, W., Masi, I., and Natarajan, P. (2019). Recurrent convolutional strategies for face manipulation detection in videos. In Proceedings of the IEEE Conference on Comp Huang, G., Liu, Z., Van Der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 4700-4708). Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., and Bengio, Y. (2014, October). Learning phrase representations using RNN encoder ecoder for statistical machine translation. In Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp.1724-1734) Hsu, C. C., Lee, C. Y., and Zhuang, Y. X. (2018, December). Learning to detect fake face images in the wild. In 2018 International Symposium on Computer, Consumer and Control (IS3C) (pp. 388-391). IEEE. Deepfake Detection Challenge. Kaggle. Available at: https://www.kaggle.com/c/deepfake-detection-challenge/data opencv. opencv. Available at: https://github.com/opencv/opencv. Rcmalli, Keras Vgg Face. Github. Available at: https://github.com/rcmalli/keras-vggface Kumar, A. (2021, December). Identifying Faces with MTCNN and VggFace. Available at: https://medium.com/swlh/identifying faces-with-mtcnn-and-vggface-9d0d4927cccf mariia_vasyleha, keras_vggface: No module named 'keras.engine.topology'. Available at:https://stackoverflow.com/questions/68862735/keras-vggface-no-module-named-keras-engine-topology Santiagobp99. Flask-Kubernets-Deepfake. Available at: https://github.com/santiagobp99/Flask-Kubernets Deepfake/tree/main/usr/ML/app You Won't Believe What Obama Says In This Video! BuzzFeedVideo. Available at: https://www.youtube.com/watch?v=cQ54GDm1eL0 |
dc.rights.license.spa.fl_str_mv |
Atribución 4.0 Internacional |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
Atribución 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.es_CO.fl_str_mv |
15 páginas |
dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
dc.publisher.program.es_CO.fl_str_mv |
Ingeniería de Sistemas y Computación |
dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Sistemas y Computación |
institution |
Universidad de los Andes |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/d423d21a-0216-46a6-96e8-dcc4b33d2531/download https://repositorio.uniandes.edu.co/bitstreams/7537b377-2d00-4021-b801-09784490fce5/download https://repositorio.uniandes.edu.co/bitstreams/322f7a58-8dc5-4901-9fa6-e89058d53aa0/download https://repositorio.uniandes.edu.co/bitstreams/a642a86a-7e9a-4800-baa1-b246071795af/download https://repositorio.uniandes.edu.co/bitstreams/217e0c8f-89dc-4087-a04a-a9cfa32ef3f9/download https://repositorio.uniandes.edu.co/bitstreams/166ea939-e924-4b85-a123-bb0240662ffc/download https://repositorio.uniandes.edu.co/bitstreams/2c71013e-13a6-48f8-a69c-6aeac37042ff/download https://repositorio.uniandes.edu.co/bitstreams/3b0233a7-b09c-4b2e-baed-c993f82794f0/download |
bitstream.checksum.fl_str_mv |
0a1cc1f4469fa646da015ec04c438b1c 1772d9c87f75ed8d8200b2fd1aca6793 8dd974dad369a957feb8fa86ab66e347 046af7f856bca38aa70cb59cf25c4cc1 5aa5c691a1ffe97abd12c2966efcb8d6 0175ea4a2d4caec4bbcc37e300941108 5c29b58d29ef3a3d59a80bc3e60832c2 68b329da9893e34099c7d8ad5cb9c940 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812134032838754304 |
spelling |
Atribución 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Núñez Castro, Haydemar Maríacc9e5e8a-b358-47ff-8849-0edf4fa85799600Ballesteros Pastrán, Santiagoc7f42f21-cbb0-4e47-923d-ce2b36f9e27a600Jiménez Varón, Catalinaa20f624e-0ecc-4281-983b-ace2cf4e47dd6002022-08-29T18:28:03Z2022-08-29T18:28:03Z2022-08-12http://hdl.handle.net/1992/60261instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este proyecto tiene como propósito el desarrollo de un modelo que permita clasificar los rostros de un video como reales o alterados por DeepFake. Para esto se hace uso del aprendizaje profundo con el fin de construir un modelo híbrido que pueda clasificar rostros de un video a través de entrenamiento supervisado. La arquitectura propuesta está compuesta por una red neuronal convolucional (CNN), la cual se utiliza como extractor de características, y una red recurrente para la clasificación. Tras probar diferentes variaciones de RNN con la red pre entrenada InceptionV3 se encontró que la mejor se basa en una GRU unidireccional.The purpose of this project is the development of a model that allows classifying the faces of a video as real or altered by DeepFake. For this, deep learning is used in order to build a hybrid model that can classify faces of a video through supervised training. The proposed architecture is composed of a convolutional neural network (CNN), which is used as a feature extractor, and a recurrent network for classification. After testing different variations of RNN with the pre-trained InceptionV3 network, it was found that the best is based on a unidirectional GRU.Ingeniero de Sistemas y ComputaciónPregrado15 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería Sistemas y ComputaciónDetección de videos multi-rostro manipulados por deepfake a partir de aprendizaje profundoTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPAprendizaje profundoDeep LearningArquitectura hibrida (cnn-rnn)Hybrid arquitecture (cnn-rnn)Clasificación multi-rostroMulti-face classificationProcesamiento de videosVideo processingTransferencia del aprendizajeTransfer learningIngenieríaStatista. (2019, April 17). Infografía: A la espera de un big bang de datos. Statista Infografías. Retrieved October 7, 2021, from https://es.statista.com/grafico/17734/cantidad-real-y-prevista-de-datos-generados-en-todo-el-mundo/.Ipsos. (2019, June 11). Fake News: A Global Epidemic Vast Majority (86%) of Online Global Citizens Have Been Exposed to it. Ipsos. Retrieved October 7, 2021, from https://www.ipsos.com/en-us/news-polls/cigi-fake-news-global-epidemic.Westerlund, M. (2019). The emergence of deepfake technology: A review. Technology Innovation Management Review.Ballesteros, S., Baron, D., Mejia, M., Portocarrero, L. (Dic, 2021). Desarrollo de un algoritmo de Machine Learning para la detección de contenido multimedia generado por medio de DeepFake.Masood, M., Nawaz, M., Malik, K. M., Javed, A., & Irtaza, A. (2021). Deepfakes Generation and Detection: State-of-the-art, open challenges, countermeasures, and way forward. arXiv preprint arXiv:2103.00484.Colaner, N. & Quinn, .M.J (2020). Deepfakes and the Value-Neutrality Thesis Retrieved October 7, 2021 from https://www.seattleu.edu/ethics-and-technology/viewpoints/deepfakes-and-the-value-neutrality-thesis.htmlColak, B. (2021). Legal Issues of DeepFakes. Retrieved October 7, 2021 from https://www.internetjustsociety.org/legal-issues-of deepfakesChesney, R., and Citron, D. K. (2018). Deep fakes: a looming challenge for privacy, democracy, and national security. https://dx.doi.org/10.2139/ssrn.3213954.De Lima, O., Franklin, S., Basu, S., Karwoski, B., and George, A. (2020). Deepfake detection using spatiotemporal convolutional networks. arXiv preprint arXiv:2006.14749.Korshunov, P., and Marcel, S. (2019). Vulnerability assessment and detection of deepfake videos. In The 12th IAPR International Conference on Biometrics (ICB), pp. 1-6.Faceswap-GAN. Available at https://github.com/shaoanlu/faceswap-GAN.VidTIMIT database. Available at http://conradsanderson.id.au/vidtimit/Parkhi, O. M., Vedaldi, A., and Zisserman, A. (2015, September). Deep face recognition. In Proceedings of the British Machine Vision Conference (BMVC) (pp. 41.1-41.12).FaceNet. Available at https://github.com/davidsandberg/facenet.Schroff, F., Kalenichenko, D., and Philbin, J. (2015). Facenet: A unified embedding for face recognition and clustering. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 815-823).Chung, J. S., Senior, A., Vinyals, O., and Zisserman, A. (2017, July). Lip reading sentences in the wild. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 3444-3453).Korshunov, P., and Marcel, S. (2018, September). Speaker inconsistency detection in tampered video. In 2018 26th European Signal Processing Conference (EUSIPCO) (pp. 2375- 2379). IEEE.Galbally, J., and Marcel, S. (2014, August). Face anti-spoofing based on general image quality assessment. In 2014 22nd International Conference on Pattern Recognition (pp. 1173- 1178). IEEE.Sabir, E., Cheng, J., Jaiswal, A., AbdAlmageed, W., Masi, I., and Natarajan, P. (2019). Recurrent convolutional strategies for face manipulation detection in videos. In Proceedings of the IEEE Conference on CompHuang, G., Liu, Z., Van Der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 4700-4708).Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., and Bengio, Y. (2014, October). Learning phrase representations using RNN encoder ecoder for statistical machine translation. In Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp.1724-1734)Hsu, C. C., Lee, C. Y., and Zhuang, Y. X. (2018, December). Learning to detect fake face images in the wild. In 2018 International Symposium on Computer, Consumer and Control (IS3C) (pp. 388-391). IEEE.Deepfake Detection Challenge. Kaggle. Available at: https://www.kaggle.com/c/deepfake-detection-challenge/dataopencv. opencv. Available at: https://github.com/opencv/opencv.Rcmalli, Keras Vgg Face. Github. Available at: https://github.com/rcmalli/keras-vggfaceKumar, A. (2021, December). Identifying Faces with MTCNN and VggFace. Available at: https://medium.com/swlh/identifying faces-with-mtcnn-and-vggface-9d0d4927cccfmariia_vasyleha, keras_vggface: No module named 'keras.engine.topology'. Available at:https://stackoverflow.com/questions/68862735/keras-vggface-no-module-named-keras-engine-topologySantiagobp99. Flask-Kubernets-Deepfake. Available at: https://github.com/santiagobp99/Flask-Kubernets Deepfake/tree/main/usr/ML/appYou Won't Believe What Obama Says In This Video! BuzzFeedVideo. Available at: https://www.youtube.com/watch?v=cQ54GDm1eL0201729106201729758PublicationTHUMBNAILDetección de Videos Multi-Rostro manipulados por DeepFake a partir de aprendizaje profundo.pdf.jpgDetección de Videos Multi-Rostro manipulados por DeepFake a partir de aprendizaje profundo.pdf.jpgIM Thumbnailimage/jpeg5853https://repositorio.uniandes.edu.co/bitstreams/d423d21a-0216-46a6-96e8-dcc4b33d2531/download0a1cc1f4469fa646da015ec04c438b1cMD56Formato Autorizacion Trabajo de Grado (1).pdf.jpgFormato Autorizacion Trabajo de Grado (1).pdf.jpgIM Thumbnailimage/jpeg17077https://repositorio.uniandes.edu.co/bitstreams/7537b377-2d00-4021-b801-09784490fce5/download1772d9c87f75ed8d8200b2fd1aca6793MD58ORIGINALDetección de Videos Multi-Rostro manipulados por DeepFake a partir de aprendizaje profundo.pdfDetección de Videos Multi-Rostro manipulados por DeepFake a partir de aprendizaje profundo.pdfTrabajo de gradoapplication/pdf473116https://repositorio.uniandes.edu.co/bitstreams/322f7a58-8dc5-4901-9fa6-e89058d53aa0/download8dd974dad369a957feb8fa86ab66e347MD53Formato Autorizacion Trabajo de Grado (1).pdfFormato Autorizacion Trabajo de Grado (1).pdfHIDEapplication/pdf4168556https://repositorio.uniandes.edu.co/bitstreams/a642a86a-7e9a-4800-baa1-b246071795af/download046af7f856bca38aa70cb59cf25c4cc1MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/217e0c8f-89dc-4087-a04a-a9cfa32ef3f9/download5aa5c691a1ffe97abd12c2966efcb8d6MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/166ea939-e924-4b85-a123-bb0240662ffc/download0175ea4a2d4caec4bbcc37e300941108MD52TEXTDetección de Videos Multi-Rostro manipulados por DeepFake a partir de aprendizaje profundo.pdf.txtDetección de Videos Multi-Rostro manipulados por DeepFake a partir de aprendizaje profundo.pdf.txtExtracted texttext/plain26977https://repositorio.uniandes.edu.co/bitstreams/2c71013e-13a6-48f8-a69c-6aeac37042ff/download5c29b58d29ef3a3d59a80bc3e60832c2MD55Formato Autorizacion Trabajo de Grado (1).pdf.txtFormato Autorizacion Trabajo de Grado (1).pdf.txtExtracted texttext/plain1https://repositorio.uniandes.edu.co/bitstreams/3b0233a7-b09c-4b2e-baed-c993f82794f0/download68b329da9893e34099c7d8ad5cb9c940MD571992/60261oai:repositorio.uniandes.edu.co:1992/602612023-10-10 19:04:35.81http://creativecommons.org/licenses/by/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |