@MASTERSTHESIS{ 2021:1540740323,
 	title = {An IoT-based face recognition solution using a residual network model for deep metric learning},
 	year = {2021},
 	url = "https://tede.inatel.br:8080/tede/handle/tede/212",
 	abstract = "A identifica??o biom?trica tem sido amplamente utilizada nos ?ltimos anos,
 principalmente por representar sistemas de autentica??o mais seguros que os
 convencionais. Neste contexto, destaca-se o reconhecimento facial que permite
 detectar e reconhecer uma pessoa, em tempo real, pelas suas caracter?sticas faciais.
 Essa tecnologia ? particularmente importante e usada em muitas aplica??es, como
 vigil?ncia inteligente. A evolu??o das tecnologias de vigil?ncia, gra?as ? Internet das
 coisas (do Ingl?s, Internet of Things ? IoT), permite maior automa??o desse processo,
 j? que grande parte das fun??es de monitoramento desempenhadas por um ser humano
 podem ser substitu?das por t?cnicas de reconhecimento, tornando o sistema ainda mais
 inteligente, dando mais informa??es ao usu?rio ou aumentando a seguran?a em
 ambientes de monitoramento. Nota-se que nossa sociedade est? em um ponto em que
 diferentes tipos de tecnologias est?o convergindo, as t?cnicas de vis?o computacional
 est?o sendo incorporadas aos sistemas de vigil?ncia e que os modelos de aprendizado
 profundo t?m se mostrado inovadores na solu??o de diversos problemas de
 reconhecimento visual. Nesse sentido, esta disserta??o prop?e a constru??o de um
 sistema de vigil?ncia que utiliza essas t?cnicas para identificar os indiv?duos presentes
 no campo de vis?o da c?mera por meio de uma combina??o de Histograma de
 Gradiente Orientado, M?quina de Vetores de Suporte e o modelo de aprendizagem
 profunda, ResNet. O conjunto de t?cnicas de detec??o e reconhecimento foi
 implementado em um hardware com poder de processamento limitado, muito comum
 em dispositivos IoT. A ideia ? demonstrar que mesmo nessas condi??es, a arquitetura
 proposta ainda consegue trabalhar com alta precis?o e em tempo real. Para avaliar o
 desempenho da solu??o proposta para atingir o objetivo deste estudo, foram realizados
 experimentos em diferentes cen?rios para verificar a precis?o e robustez das t?cnicas
 adotadas nas diferentes condi??es. Duas t?cnicas foram empregadas no cen?rio de
 detec??o, por?m apenas uma foi levada adiante nos experimentos devido ao fato de
 consumir 20 vezes menos tempo de processamento em compara??o com a segunda. A 
 xiv
 precis?o do modelo ResNet utilizado alcan?ou 99,38% no LFW (do ingl?s, Labeled
 Faces in the Wild) Benchmark, enquanto consegue entregar uma taxa de 1-3 fps (do
 ingl?s, frames per second), apresentando ?timos resultados, principalmente levando
 em considera??o um sistema embarcado. A avalia??o do sistema contra diferentes
 tipos de ru?do demostrou alta invariabilidade com escurecimento das imagens e alta precis?o e robustez contra interfer?ncia do tipo ?blur?.",
 	publisher = {Instituto Nacional de Telecomunica??es},
 	scholl = {Mestrado em Engenharia de Telecomunica??es},
 	note = {Instituto Nacional de Telecomunica??es}
}