En los últimos años, las técnicas de aprendizaje profundo se han vuelto cada vez más prominentes en las tareas de reconocimiento facial, particularmente a través de la extracción y clasificación de vectores faciales. Estos vectores permiten inferir atributos demográficos como género, edad y etnicidad. Este estudio presenta un enfoque de clasificación de género basado únicamente en vectores faciales, evitando el uso de algoritmos de aprendizaje automático tradicionales. Se generaron incrustaciones faciales utilizando tres modelos populares: dlib, ArcFace y FaceNet512. Para la clasificación, se aplicó la técnica de Promedio de Incrustaciones Faciales Neurales (ANFE) calculando distancias entre vectores. Para mejorar el rendimiento del reconocimiento de género para individuos asiáticos, se creó un nuevo conjunto de datos raspando imágenes faciales y metadatos relacionados de AsianWiki. Las evaluaciones experimentales revelaron que los modelos ANFE basados en ArcFace lograron precisiones de clasificación del 93.1% para mujeres asiáticas y del 90.2% para hombres asiáticos. En contraste, los modelos que utilizaron incrustaciones de dlib tuvieron un rendimiento notablemente inferior, con precisiones que cayeron al 76.4% para mujeres y al 74.3% para hombres. Entre los modelos probados, FaceNet512 proporcionó los mejores resultados, alcanzando una precisión del 97.5% para sujetos femeninos y del 94.2% para masculinos. Además, este estudio incluye un análisis comparativo entre ANFE y otros métodos de clasificación de género comúnmente utilizados.