VISÃO COMPUTACIONAL PARA RECONHECIMENTO FACIAL: AVANÇOS E RISCOS
DOI:
https://doi.org/10.63330/aurumpub.021-011Palavras-chave:
Reconhecimento facial, Visão computacional, Inteligência Artificial, Privacidade, ÉticaResumo
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
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.
Downloads
Publicado
Edição
Seção
Licença

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.