26 abr 2024
14:00 Defesa de Mestrado Sala 85 do IC2
Tema
Características Estendidas por Aprendizado Contrastivo na Identificação de Pessoas a partir de Impressões Digitais Latentes
Aluno
André Igor Nóbrega da Silva
Orientador / Docente
Alexandre Xavier Falcão
Breve resumo
Muitos sistemas de reconhecimento de indivíduos utilizam biometrias corporais, destacando-se os sistemas baseados em impressões digitais. Esse traço biométrico é considerado universal, distinto entre diferentes indivíduos, invariante ao longo da vida e fácil de ser mensurado. Diante disso, é amplamente utilizado em aplicações como investigações forenses, serviços de finanças, saúde, sociais, dentre outros. Existem 3 tipos de digitais: rolada, pousada e latentes. As duas primeiras são obtidas por sensores em ambientes controlados e possuem alta qualidade de imagem. Latentes, por outro lado, são deixadas não intencionalmente e capturadas por agências de perícia em cenas de crime. Os principais algoritmos para comparação de diferentes impressões utilizam estruturas locais conhecidas como minúcias como forma de representação. Minúcias são centros de regiões características na imagem, como bifurcações ou términos abruptos de linhas. Algoritmos pautados em minúcias apresentam bastante sucesso em aplicações com digitais do tipo rolada ou pousada, comprovado pelas altas taxas de identificações corretas nas bases de dados da literatura. Entretanto, falham ao lidar com latentes, dada a baixa qualidade geral da imagem e a captação parcial do dedo. Para contornar este problema, técnicas para representação e comparação de digitais pautadas em Aprendizagem Profunda vem sendo propostas e apresentam resultados promissores na área. Dentro desse contexto, esta dissertação tem como objetivo principal aperfeiçoar a capacidade computacional de representação de impressões digitais latentes por meio do uso de características estendidas de minúcias, aprendidas com aprendizagem contrastiva; e da melhoria de algoritmos de casamento que exploram tais características. Para isso, propõe-se a investigação de Aprendizado Contrastivo, técnicas de aumentação de dados e uma metodologia de anotação fraca para treinar Redes Siamesas mesmo com uma base de dados bastante limitada. Além disso, pretende-se explorar novos algoritmos de casamento que utilizam tanto os componentes geométricos das minúcias, quanto o componente de descrição profunda, de modo que a comparação entre impressões digitais seja feita de maneira mais robusta. Validamos a metodologia proposta por meio de experimentos de identificação na base de dados desafiadora NIST SD27, amplamente explorada na literatura. Mostramos haver uma melhora significativa (~10%) na taxa de identificação correta de indivíduos ao combinar as características estendidas com os métodos de casamento de minúcias tradicionais.
Banca examinadora
Titulares:
Alexandre Xavier Falcão | IC/UNICAMP |
David Menotti Gomes | DInf/UFPR |
Marcelo da Silva Reis | IC/UNICAMP |
Suplentes:
Hélio Pedrini | IC/UNICAMP |
João Paulo Papa | FC/UNESP |