A novel deep learning architecture for handling uncertainty in facial anti-spoofing applications (2025)
- Authors:
- Autor USP: MENÉNDEZ, ARMANDO MANUEL GUTIÉRREZ - EP
- Unidade: EP
- Sigla do Departamento: PCS
- Subjects: APRENDIZAGEM PROFUNDA; PROCESSAMENTO DE IMAGENS; ESTATÍSTICA PARA INTELIGÊNCIA ARTIFICIAL
- Language: Inglês
- Abstract: O reconhecimento facial é uma das técnicas mais utilizadas em sistemas de segurança biométrica, sendo amplamente utilizada em muitos serviços online para a criação de contas digitais em diferentes plataformas. No entanto, a técnica por si só não é suficiente para identificar tentativas de roubo de identidade por meio de fotos, vídeos ou a máscara da pessoa que vai ser suplantada. Por isso, há mais de uma década, diferentes métodos têm sido desenvolvidos para detectar e evitar essas situações fraudulentas, conhecidos como métodos Anti-Spoofing Facial. Progressos significativos nos resultados desses métodos foram alcançados nos últimos anos pela integração com técnicas de aprendizado profundo. No entanto, foi evidenciada uma falta de generalização dos métodos Anti-Spoofing Facial baseados em aprendizagem profunda, principalmente atribuída ao excesso de confiança na previsão. Embora uma das soluções possíveis seja a criação de bancos de dados com maior domínio de conhecimento para uso no treinamento de modelos, esta variante não é econômica e pode até não ser tão abrangente quanto desejado. Isso deixa espaço para a criação de novos métodos robustos e eficientes. Neste trabalho, uma arquitetura de incerteza de aprendizado profundo é proposta para aplicações de biometria facial, integrada em um sistema ponta a ponta. A proposta busca prever as possíveis classes de saídas considerando as incertezas presentes na arquitetura implementada e controlar as imprecisões na seleção das melhores características que definem os padrões a serem detectados. Para alcançar o proposto, é realizado um estudo do estado da arte para definir as melhores técnicas atualmente utilizadas nos métodos de Anti-Spoofing Faciais, as quais são analisadas para conhecer a sua possível integração com técnicas de incerteza. Este último foi feitoestudando os principais trabalhos em outras áreas de aplicação, mas que utilizam arquiteturas de aprendizagem profunda com tratamento de incertezas. Uma vez que as melhores práticas foram definidas nos métodos Anti-Spoofing Faciais e técnicas de incerteza a serem utilizadas, as etapas que compõem o sistema Anti-Spoofing Facial ponta-a-ponta são projetadas. Para isso, são discutidas as estratégias e combinações a serem utilizadas nas estruturas dos modelos de aprendizagem profunda. Os resultados obtidos nas bases de dados analisadas são apresentados, sobressaindo em comparação à técnica do estado da arte para cenários adversos.
- Imprenta:
- Data da defesa: 21.02.2025
-
ABNT
GUTIÉRREZ MENÉNDEZ, Armando Manuel. A novel deep learning architecture for handling uncertainty in facial anti-spoofing applications. 2025. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-10122025-084731/pt-br.php. Acesso em: 02 jan. 2026. -
APA
Gutiérrez Menéndez, A. M. (2025). A novel deep learning architecture for handling uncertainty in facial anti-spoofing applications (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3141/tde-10122025-084731/pt-br.php -
NLM
Gutiérrez Menéndez AM. A novel deep learning architecture for handling uncertainty in facial anti-spoofing applications [Internet]. 2025 ;[citado 2026 jan. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-10122025-084731/pt-br.php -
Vancouver
Gutiérrez Menéndez AM. A novel deep learning architecture for handling uncertainty in facial anti-spoofing applications [Internet]. 2025 ;[citado 2026 jan. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-10122025-084731/pt-br.php
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
