DETECÇÃO DE DEDOS: ARQUITETURA FASTER R-CNN

Resumo

Com a expansão da informática e a das mídias sociais, cada vez mais usuários estão compartilhando seus dados e imagens. O compartilhamento desse tipo de informação nas mídias pode auxiliar em investigações de crimes através do reconhecimento de características em imagens. Algumas técnicas de aprendizagem de máquina podem auxiliar peritos criminais, para obter evidências importantes para investigação de crimes de forma mais eficiente. Problemas na área de perícia computacional exigem a análise manual de grande número de arquivos, em especial imagens, e também do gasto de tempo excessivo. Por isso, são necessários métodos mais eficientes para trabalhar com grande volume de informações, para processar e localizar evidências digitais. A proposta deste trabalho é treinar um detector de dedos por meio da arquitetura Faster R-CNN, com o objetivo de gerar um modelo para identificar dedos em imagens, tendo como contribuições a disponibilização de um dataset com imagens de dedos, bem como disponibilizar o modelo gerado para estudo em futuros trabalhos na área, como por exemplo, detectar impressões digitais em imagens disponíveis em mídias sociais. O método de pesquisa utilizado foi a pesquisa exploratória em que se obtém conhecimento sobre o assunto proposto. Na pesquisa aplicada, montou-se um ambiente com um computador desktop equipado com CPU Intel I7 (quadcore), 16 GB de memória e GPU Nvidia Titan-XP, sistema operacional Microsoft Windows, Python 3 e API Tensorflow – arquitetura Faster R-CNN. O modelo para detecção foi criado a partir do treinamento da arquitetura Faster R-CNN e obteve acurácia de 78,6% com confiança de 0.5, de 80,6% com confiança de 0.6, 82% com confiança em 0.7 e, por fim, acurácia de 84% com confiança de 0.8. Com isso, foi possível comprovar que o modelo é capaz de detectar dedos em imagens, e disponibilizar um dataset formado por 1370 imagens de dedos rotuladas, bem como, auxiliar na redução do tempo de análise manual de imagens.