VISÃO COMPUTACIONAL PARA RECONHECIMENTO FACIAL: AVANÇOS E RISCOS

Autores

  • Rodrigo Thomé de Moura Autor

DOI:

https://doi.org/10.63330/aurumpub.021-011

Palavras-chave:

Reconhecimento facial, Visão computacional, Inteligência Artificial, Privacidade, Ética

Resumo

O trabalho apresentou uma análise abrangente sobre a visão computacional aplicada ao reconhecimento facial, destacando seus avanços técnicos e os riscos associados ao uso dessa tecnologia em contextos contemporâneos. O estudo teve como objetivo explicar os fundamentos da visão computacional, descrever o funcionamento técnico dos algoritmos de reconhecimento facial, identificar os principais avanços que ampliaram a precisão e a disseminação desses sistemas e discutir os desafios éticos e sociais decorrentes de sua utilização crescente. A pesquisa foi desenvolvida por meio de revisão bibliográfica, baseada em obras e estudos relevantes da área de inteligência artificial, visão computacional, aprendizado profundo e ética tecnológica. A metodologia permitiu reunir, interpretar e comparar diferentes perspectivas teóricas e técnicas sobre o tema, possibilitando uma compreensão sólida e crítica do fenômeno analisado. Os resultados mostraram que o reconhecimento facial evoluiu de maneira acelerada devido ao desenvolvimento das redes neurais profundas, ao aumento da capacidade computacional e ao acesso a grandes bases de dados de imagens. A precisão desses modelos aumentou significativamente, levando à implementação da tecnologia em dispositivos móveis, sistemas de controle de acesso, plataformas digitais e aplicações de segurança. No entanto, o trabalho identificou riscos importantes, como violações de privacidade, uso indevido de dados biométricos, vigilância massiva, vieses algorítmicos que afetam com maior intensidade grupos minoritários e vulnerabilidades associadas a técnicas de falsificação digital. A análise concluiu que, embora o reconhecimento facial represente um avanço significativo dentro da inteligência artificial, seu uso exige regulamentação, transparência e práticas responsáveis para evitar danos sociais e assegurar a proteção dos direitos individuais. O estudo evidenciou a necessidade de equilíbrio entre inovação tecnológica e ética, apontando caminhos que favorecem a aplicação segura e consciente dessa ferramenta.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

BOJANOWSKI, Piotr; JOULIN, Armand. Unsupervised learning by predicting noise. International Conference on Machine Learning, 2017.

BUOLAMWINI, Joy; GEBRU, Timnit. Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, 2018.

DENG, Jiankang et al. ArcFace: Additive Angular Margin Loss for Deep Face Recognition. IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019.

GONZALEZ, Rafael C.; WOODS, Richard E. Digital Image Processing. 4. ed. Pearson, 2018.

GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. MIT Press, 2016.

KWON, Jisun et al. On-device deep neural networks and their applications on mobile phones. IEEE Transactions on Mobile Computing, 2021.

LECUN, Yann; BENGIO, Yoshua; HINTON, Geoffrey. Deep learning. Nature, v. 521, p. 436–444, 2015.

LYON, David. The Culture of Surveillance. Polity Press, 2018. O’NEIL, Cathy. Weapons of Math Destruction. Crown, 2016.

SCHROFF, Florian; KALENICHENKO, Dmitry; PHILBIN, James. FaceNet: A unified embedding for face recognition and clustering. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015.

SZELISKI, Richard. Computer Vision: Algorithms and Applications. 2. ed. Springer, 2022.

TAIGMAN, Yaniv et al. DeepFace: Closing the Gap to Human-Level Performance in Face Verification. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014.

TOLOSANA, Ruben et al. DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection. Information Fusion, 2020.

VIOLA, Paul; JONES, Michael. Rapid object detection using a boosted cascade of simple features. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2001.

ZHAO, Wenyi et al. Face recognition: A literature survey. ACM Computing Surveys, v. 35, n. 4, p. 399–458, 2003.

ZUBOFF, Shoshana. The Age of Surveillance Capitalism. PublicAffairs, 2019.

Publicado

2025-12-17

Como Citar

VISÃO COMPUTACIONAL PARA RECONHECIMENTO FACIAL: AVANÇOS E RISCOS. (2025). Aurum Editora, 120-130. https://doi.org/10.63330/aurumpub.021-011