Resumo
Recentemente, a difusão de técnicas de Aprendizado Profundo, como as Redes Neurais Convolucionais, tem beneficiado o setor biométrico fornecendo modelos capazes de extrair características relevantes e discriminativas de imagens para tarefas de reconhecimento. No ramo do reconhecimento facial, redes convolucionais como ArcFace e FaceNet têm entregue um alto desempenho em conjunto de dados públicos, sendo capazes de produzir um espaço vetorial de características onde faces de uma mesma identidade são representadas como pontos próximos no espaço, onde se determina se duas faces pertencem à mesma identidade mediante aplicação de um limiar de distância. No presente trabalho, propõe-se dois métodos para manipular vetores de características produzidos por redes convolucionais, visando gerar classificadores que sejam aptos para efetuar a tarefa de verificação facial. Uma realiza o treinamento de um classificador para cada identidade, alcançando performance mais alta que a proposta do classificador único, apesar de ter a desvantagem de que novos classificadores precisam ser treinados quando novos indivíduos são cadastrados no sistema. A outra proposta produz um único classificador que é habilitado para realizar verificação facial em todos os indivíduos da base de dados, bem como em identidades não vistas durante a etapa de treinamento, mostrando-se uma solução escalável, de rápido treinamento e de desempenho competitivo, quando usada em associação com a FaceNet e a ArcFace; os modelos gerados por essa proposta apresentaram um baixo consumo de memória, o que os torna vantajosos para sistemas que possuam limitação de recursos