Análise de desigualdade de gênero em bases de dados de reconhecimento facial

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorAires, Simone Bello Kaminski-
Autor(es): dc.contributorBorges, André Pinz-
Autor(es): dc.contributorAires, João Paulo-
Autor(es): dc.contributorAires, Simone Bello Kaminski-
Autor(es): dc.creatorDias, Andressa Francielle Gobbo-
Data de aceite: dc.date.accessioned2025-08-29T12:51:45Z-
Data de disponibilização: dc.date.available2025-08-29T12:51:45Z-
Data de envio: dc.date.issued2025-07-02-
Data de envio: dc.date.issued2025-07-02-
Data de envio: dc.date.issued2024-06-10-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/37296-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1103215-
Descrição: dc.descriptionThis paper addresses a critical issue related to gender inequality in datasets used for Facial Recognition (FR). While FR is a valuable tool, many of the datasets used in its training are disproportionately composed of images of male individuals, resulting in algorithms biased towards recognizing male characteristics. Due to the lack of a representative distribution in the data, these algorithms often experience a decrease in accuracy when applied to female faces. Therefore, the main objective of this research is to highlight how an unbalanced dataset can impair the performance of FR algorithms. To address this issue, we utilize pre-trained deep neural networks applying transfer learning techniques to improve gender representation and strive for an equalized algorithm. In this study, the UTKFace dataset and the convolutional neural network VGGNet were used to achieve the results. It is observed that with sample equalization, it was possible to improve gender-specific rates, thereby achieving a more balanced model accuracy. Transfer learning was instrumental in achieving this outcome, allowing a model pre-trained on a large collection of generic images to be adapted and refined specifically for the gender classification task on the UTKFace dataset.-
Descrição: dc.descriptionEste trabalho aborda uma questão crítica relacionada à desigualdade de gênero em bases de dados utilizadas para o Reconhecimento Facial (RF). Embora o RF seja uma ferramenta valiosa, muitas das bases de dados utilizadas em seus treinamentos estão desproporcionalmente compostas por imagens de indivíduos do sexo masculino, resultando em algoritmos tendenciosos a reconhecer características masculinas. Devido à ausência de uma distribuição representativa nos dados, esses algoritmos frequentemente enfrentam uma queda na precisão quando aplicados a faces do sexo feminino. Portanto, o principal objetivo desta pesquisa é evidenciar como uma base desbalanceada pode prejudicar o desempenho de algoritmos voltados a reconhecimento facial. Para abordar essa questão, utiliza-se redes neurais de aprendizado profundo pré-treinados aplicando a técnica de transferência de aprendizado, visando a melhoria na representatividade de gênero e buscando um algoritmo equalizado. Neste estudo foi utilizada a base UTKFace, a rede neural convolucional VGGNet, para obter os resultados. Observa-se que com a equalização das amostras foi possível melhorar as taxas obtidas por gênero, sendo a precisão do modelo mais equilibrada assim. A técnica de transferência de aprendizado foi fundamental para atingir esse resultado, permitindo que um modelo pré-treinado em uma grande coleção de imagens genéricas pudesse ser adaptado e refinado especificamente para a tarefa de classificação de gênero na base UTKFace.-
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/4.0/-
Palavras-chave: dc.subjectReconhecimento facial (Computação)-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectIdentidade de gênero-
Palavras-chave: dc.subjectBanco de dados-
Palavras-chave: dc.subjectHuman face recognition (Computer science)-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectGender identity-
Palavras-chave: dc.subjectData bases-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleAnálise de desigualdade de gênero em bases de dados de reconhecimento facial-
Título: dc.titleAnalysis of gender inequality in facial recognition databases-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.