Identificação biométrica de animais baseada em aprendizado de máquina

• Ano de defesa: 2023
• Autor(a) principal: Canto, Victor Hugo Braguim
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Estimação de Poses Humanas 3D; Adaptação de Domínio; Aprendizado em Profundidade
• Link de acesso: https://hdl.handle.net/11449/251127

Nas últimas décadas, ocorreu uma popularização do uso de características biométricas para a identificação humana. Neste período, foi demonstrado por inúmeras pesquisas que a identificação biométrica é eficaz, eficiente e, apesar de também poder sofrer ataques, é mais segura do que as formas tradicionais de identificação baseada em posses e conhecimento. Recentemente, ocorreu também um aumento expressivo na demanda por métodos eficazes, eficientes e seguros para a identificação animal, devido à necessidade de rastreabilidade, gerenciamento e controle desta população, que cresce em taxas maiores do que a população humana, particularmente os animais domésticos de estimação. A identificação animal tem sido baseada na posse de dispositivos como placas em coleiras, tags e chips implantados, o que possibilita a ocorrência de muitas fraudes nos sistemas de identificação. Além disso, essa forma de identificação tem uma baixa cobertura populacional pois nem todos os indivíduos portam tais dispositivos. Diante desses fatos, a Biometria tem sido proposta também como uma forma mais adequada para a identificação animal, entretanto, ainda são escassos, na literatura, os trabalhos com foco na identificação biométrica animal. Esta dissertação de mestrado investiga e propõe métodos para a identificação biométrica de animais, com foco na identificação de cães, por meio de características biométricas faciais. De forma análoga ao que tem sido feito em trabalhos atuais para a identificação facial humana, neste trabalho, explorou-se abordagens baseadas no estado da arte em aprendizado de máquina em profundidade, como as Redes Neurais Convolucionais, mais especificamente a arquitetura ResNet-50, e os Vision Transformers, mais especificamente a arquitetura EfficientFormer-L1. Os métodos propostos foram avaliados sobre duas bases de dados, DogFaceNet e DogID Dataset, sendo a primeira uma base de dados pública contendo 8.363 imagens de 1.393 animais, que tem sido utilizada em trabalhos correlatos, e a segunda, uma base de dados bem maior, contendo 125.873 imagens de 39.148 animais, que foi desenvolvida neste trabalho. Os resultados obtidos sobre ambas as bases de dados mostraram que os métodos propostos foram exitosos para a identificação de cães, sendo que a arquitetura baseada em Vision Transformers superou consideravelmente a arquitetura baseada em Redes Neurais Convolucionais.