Análise comparativa de bases de dados etnicamente equalizadas e não equalizadas para reconhecimento de faces usando redes neurais convolucionais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorAires, Simone Bello Kaminksi-
Autor(es): dc.contributorAires, Simone Bello Kaminksi-
Autor(es): dc.contributorBorges, André Pinz-
Autor(es): dc.contributorAndrade, Mauren Louise Sguario Coelho de-
Autor(es): dc.creatorFloriolli, Abramo-
Data de aceite: dc.date.accessioned2025-08-29T12:31:19Z-
Data de disponibilização: dc.date.available2025-08-29T12:31:19Z-
Data de envio: dc.date.issued2025-07-02-
Data de envio: dc.date.issued2025-07-02-
Data de envio: dc.date.issued2025-02-03-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/37320-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1096913-
Descrição: dc.descriptionThis study investigates algorithmic bias in facial recognition models, focusing on the impact of ethnic equalization in datasets on the performance of convolutional neural networks (CNNs). The research compares two datasets: FairFace, which has a balanced ethnic distribution and seven classes, and UTKFace, which is imbalanced across its five racial classes. By training the CNN and comparing training speed and accuracy, as well as testing metrics—precision, recall, F1-score for each category, and the standard deviation of these metrics—the results demonstrate that diversity and balanced racial classes are crucial factors in mitigating algorithmic bias in CNN-based facial recognition systems. The findings highlight that the training speed and equalization of outcomes improve with more representative and racially balanced datasets. This work underscores that using datasets that prioritize representativeness and racial balance in machine learning model training is essential for developing fair and equitable facial recognition systems, ultimately preventing the perpetuation of inequality.-
Descrição: dc.descriptionEste estudo investiga o viés algorítmico em modelos de reconhecimento facial, focando no impacto da equalização étnica de bases de dados no desempenho de redes neurais convolucionais. A pesquisa compara duas bases de dados sendo elas a FairFace, que possui uma distribuição étnica equilibrada e sete classes e UTKFace, que apresenta desbalanceamento entre suas cinco classes raciais. A partir do treinamento da rede neural convolucional, comparando a velocidade de treinamento e acurácia; e teste, através da precisão, revocação, f1-score para cada categoria da base e o desvio padrão para as métricas, os resultados demonstram que a diversidade e o balanceamento das classes raciais são fatores cruciais para mitigar vieses algorítmicos em sistemas de reconhecimento facial realizados por RNCs. Refletindo diretamente na velocidade de treinamento e na equalização dos resultados esse trabalho reforça que o uso de bases de dados que priorizam representatividade e balanceamento racial no treinamento de modelos de aprendizado de máquina é fundamental para o desenvolvimento de sistemas de reconhecimento facial justos e equitativos, capazes de evitar a perpetuação de desigualdades.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Informática-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc/4.0/-
Palavras-chave: dc.subjectReconhecimento facial (Computação)-
Palavras-chave: dc.subjectRelações raciais-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectBanco de dados-
Palavras-chave: dc.subjectAlgorítmos computacionais-
Palavras-chave: dc.subjectEqualizadores (Eletrônica)-
Palavras-chave: dc.subjectHuman face recognition (Computer science)-
Palavras-chave: dc.subjectRace relations-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectData bases-
Palavras-chave: dc.subjectComputer algorithms-
Palavras-chave: dc.subjectEqualizers (Electronics)-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleAnálise comparativa de bases de dados etnicamente equalizadas e não equalizadas para reconhecimento de faces usando redes neurais convolucionais-
Título: dc.titleComparative analysis of ethnically equalized and non-equalized databases for face recognition using convolutional neural network-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.