Use este identificador para citar ou linkar para este item:
http://repositorio.ifam.edu.br/jspui/handle/4321/1511| Tipo: | Trabalho de Conclusão de Curso |
| Título: | Prevenção contra deepfakes: desenvolvimento de um sistema de reconhecimento facial para diferenciar rostos humanos de rostos gerados por IA |
| Autor(es): | Silva, Romão Charles Silva e |
| Primeiro Orientador: | Santos, Alyson de Jesus dos Santos |
| metadata.dc.contributor.referee1: | Santos, Alyson de Jesus dos |
| metadata.dc.contributor.referee2: | Martins, Gilbert Breves |
| metadata.dc.contributor.referee3: | Rodrigues, Marlos André Silva |
| Resumo: | Esse trabalho tem por objetivo o desenvolvimento de um sistema baseado em aprendizado de máquina que diferencie imagens de pessoas geradas por inteligência artificial de pessoas reais, capacidade que pode ser muito útil para a identificação de golpes que usam imagens geradas. O desenvolvimento do projeto foi feito em 3 passos principais: organização dos dados, treinamento e teste. O sistema foi inteiramente feito no Google Colab, portanto, utilizou Python sendo a principal ferramenta de desenvolvimento o Tensorflow, foram treinados dois modelos, sendo que um tem quase o dobro de imagens usadas para treinamento, com a intenção de observar as consequências de usar um conjunto maior. Ao final do projeto são mostrados os resultados quantitativos e qualitativos da classificação de imagens. |
| Abstract: | This work aims to develop a system based on machine learning that differentiates images of people generated by artificial intelligence from real people, a capability that can be very useful for identifying scams that use generated images. The development of the project was done in 3 main steps: data organization, training and testing. The system was entirely made in Google Colab, therefore, it used Python and the main development tool Tensorflow, two models were trained, one of which has almost twice as many images used for training, with the intention of observing the consequences of using a larger set. At the end of the project, the quantitative and qualitative results of the image classification are shown. |
| Palavras-chave: | Inteligência artificial Tensorflow Imagens geradas |
| CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS |
| Idioma: | por |
| País: | Brasil |
| Sigla da Instituição: | Instituto Federal do Amazonas IFAM Engenharia de Controle e Automação Instituto Federal do Amazonas IFAM Engenharia de Controle e Automação Instituto Federal do Amazonas IFAM Engenharia de Controle e Automação |
| metadata.dc.publisher.department: | Campus Manaus Distrito |
| Citação: | Qual é a importância de treinar um modelo para mais épocas no TensorFlow.js? Disponível em: <https://pt.eitca.org/inteligência-artificial/fundamentosde- tensorflow-eitc-ai-tff/tensorflow-js/tensorflow-js-no-seu-navegador/revisão-de-exametensorflow- js-no-seu-navegador/qual-é-o-significado-de-treinar-um-modelo-para-maisépocas- no-tensorflow-js/>. Acesso em: 17 fev 2024. AGARWAL, Shivang e TERRAIL, Jean Ogier Du e JURIE, Frédéric. Recent Advances in Object Detection in the Age of Deep Convolutional Neural Networks. 2019. Normandie Univ, UNICAEN, ENSICAEN, CNRS, 2019. Disponível em: <http://arxiv.org/abs/1809.03193>. ALPAYDIN, Ethem. Introduction to machine learning. [S.l.]: MIT press, 2020. ARADI, Szilárd. Survey of deep reinforcement learning for motion planning of autonomous vehicles. IEEE Transactions on Intelligent Transportation Systems, v. 23, n. 2, p. 740–759, 2020. BAKSHI, Urvashi e SINGHAL, Rohit. A SURVEY ON FACE DETECTION METHODS AND FEATURE EXTRACTION TECHNIQUES OF FACE RECOGNITION. International Journal of Emerging Trends & Technology in Computer Science (IJETTCS), v. 3, n. 3, Maio 2014. Disponível em: <www.ijettcs.org>. BRÊTAS, Pollyanna. Golpe: 1 em cada 4 brasileiros que tiveram relacionamentos virtuais diz já ter sido vítima de perfil falso, mostra pesquisa. Disponível em: <https://extra.globo.com/economia-e-financas/golpe-1-em-cada-4- brasileiros-que-tiveram-relacionamentos-virtuais-diz-ja-ter-sido-vitima-de-perfil-falsomostra- pesquisa-25425827.html>. Acesso em: 4 jan 2024. CALANCA, Paulo e MATHEUS, Yuri e RAPHAELL, Bruno. Quais são os 4 tipos de aprendizagem na IA, algoritmos e usos no dia a dia. Disponível em: 72 <https://www.alura.com.br/artigos/quais-sao-tipos-aprendizagem-ia-inteligenciaartificial>. Acesso em: 27 jan 2024. CHANDRAKALA, Pothuraju e SRINIVAS, B. e KUMAR, M. Anil. Real Time Face Detection and Face Recognition using OpenCV and Python. Journal of Engineering Sciences, v. 13, 2022. Disponível em: <www.jespublication.com>. D’ADDARIO, M e DE FARIA ZANANI, R T F. Inteligência Artificial: Tratados, aplicações, usos e futuro. [S.l.]: Babelcube Incorporated, 2022. Disponível em: <https://books.google.com.br/books?id=lZ6VEAAAQBAJ>. DIWAN, Tausif e ANIRUDH, G. e TEMBHURNE, Jitendra V. Object detection using YOLO: challenges, architectural successors, datasets and applications. Multimedia Tools and Applications, v. 82, n. 6, p. 9243–9275, 1 Mar 2023. FALCÃO, João Vitor Regis e colab. Redes neurais deep learning com tensorflow. RE3C-Revista Eletrônica Científica de Ciência da Computação, v. 14, n. 1, 2019. GAVALI, Pralhad, BANU, J. Saira. Deep Convolutional Neural Network for Image Classification on CUDA Platform. Academic Press, p. 99–122, 2019. GUNAWAN, Teddy Surya e colab. Development of video-based emotion recognition using deep learning with Google Colab. TELKOMNIKA (Telecommunication Computing Electronics and Control), v. 18, n. 5, p. 2463, 1 Out 2020. Disponível em: <http://telkomnika.uad.ac.id/index.php/TELKOMNIKA/article/view/16717>. Acesso em: 18 fev 2024. GUO, H e WANG, X e LYU, S. Detection of Real-Time Deepfakes in Video Conferencing with Active Probing and Corneal Reflection. 2023, [S.l: s.n.], 2023. p. 1–5. Disponível em: <https://arxiv.org/pdf/2210.14153.pdf>. Acesso em: 3 fev 2024. GUO, Hui e colab. Eyes Tell All: Irregular Pupil Shapes Reveal GAN-Generated Faces. 23 May 2022, Singapore: IEEE, 23 May 2022. p. 2904–2908. Disponível em: <https://arxiv.org/pdf/2109.00162.pdf>. Acesso em: 5 fev 2024. HU, Shu e LI, Yuezun e LYU, Siwei. Exposing GAN-generated faces using inconsistent corneal specular highlights. 2021, [S.l.]: ICASSP. IEEE, 2021. Disponível em: <https://arxiv.org/pdf/2009.11924.pdf>. Acesso em: 25 jan 2024. HUANG, Gao e colab. Densely Connected Convolutional Networks. 24 Ago 2016. Disponível em: <https://arxiv.org/pdf/1608.06993.pdf>. Acesso em: 7 jan 2024. IZBICKI, Rafael e DOS SANTOS, Tiago Mendonça. Aprendizado de máquina: uma abordagem estatística. [S.l.]: Rafael Izbicki, 2020. JAGTAP, A. M. e KANGALE, Vrushabh e UNUNE, Kushal. A Study of LBPH, Eigenface, Fisherface and Haar- like features for Face recognition using OpenCV. International Conference on Intelligent Sustainable Systems (ICISS 2019). [S.l.]: Institute of Electrical and Electronics Engineers. 2019 KAMENCAY, Patrik e colab. A new method for face recognition using convolutional neural network. Advances in Electrical and Electronic Engineering, v. 15, n. 4 Special Issue, p. 663–672, 2017. KELANA, Muhammad Hilmi Bin. FACIAL RECOGNITION AT GATED COMMUNITY. 2021. Dissertation – Universiti Teknologi PETRONAS, 2021. KELLY M.D. Visual Identification of People by Computer. 1970. Stanford AI Project, Stanford, CA, USA., 1970. KORTLI, Yassin e colab. Face recognition systems: A survey. Sensors (Switzerland). [S.l.]: MDPI AG. Disponível em: <https://www.mdpi.com/1424- 8220/20/2/342>. Acesso em: 6 jan 2024. 2 Jan 2020 74 LI, Lixiang e colab. A Review of Face Recognition Technology. IEEE Access, v. 8, p. 139110–139120, 2020. LUDERMIR, Teresa Bernarda. Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências. Estudos Avançados, v. 35, p. 85–94, 2021. Disponível em: <https://www.scielo.br/j/ea/a/wXBdv8yHBV9xHz8qG5RCgZd/?lang=pt&format=pdf>. Acesso em: 1 fev 2024. MOORE, M. Fake accounts on social media, epistemic uncertainty and the need for an independent auditing of accounts. NAKAGAWA, Liliane. Python é considerada a linguagem preferida pelo segundo ano consecutivo, segundo Tiobe. Disponível em: <https://tecmasters.com.br/python-considerada-preferida-segundo-ano/>. Acesso em: 3 jan 2024. PORKODI, S. P. e colab. Generic image application using GANs (Generative Adversarial Networks): A Review. Evolving Systems. [S.l.]: Institute for Ionics. , 1 Out 2023 ROSEBROCK, Adrian. OpenCV Haar Cascades. Disponível em: <https://pyimagesearch.com/2021/04/12/opencv-haar-cascades/>. Acesso em: 2 mar 2024. RUDEK, M.; COELHO, L. S.; CANCIGLIERI J. O. Visão Computacional Aplicada a Sistemas Produtivos: Fundamentos e Estudo de Caso. 2001. Pontifícia Universidade Católica do Paraná, PUCPR/LAS/CCET, Curitiba, 2001. SIGUT, Jose e colab. OpenCV Basics: A Mobile Application to Support the Teaching of Computer Vision Concepts. IEEE Transactions on Education, v. 63, n. 4, p. 328–335, 1 Nov 2020. 75 SMACH, F.; MITERAN, J.; ATRI, M.; DUBOIS, J.; ABID, M.; GAUTHIER, J.P. An FPGA-based accelerator for Fourier Descriptors computing for color object recognition using SVM. . p. 249–258, 2007. STONE, Zak e ZICKLER, Todd e DARRELL, Trevor. Autotagging facebook: Social network context improves photo annotation. 2008, [S.l.]: IEEE, 2008. p. 1–8. TAGIAROLI, Guilherme. Ele achou mais de 100 perfis fakes com sua foto: “cansei”; veja o que fazer... Disponível em: <https://www.uol.com.br/tilt/noticias/redacao/2023/02/03/perfis-fakes-redes-sociais-oque- fzer.htm#:~:text=Segundo%20Solando%2C%20da%20OABSP, de%20ocorrência%2C%20até%20como%20precaução.>. Acesso em: 4 jan 2024. TENSORFLOW. Noções Básicas de ML com o a Keras. Disponível em: <https://www.tensorflow.org/guide/keras?hl=pt-br>. Acesso em: 18 fev 2024. THAI, Le Hoang e HAI, Tran Son e THUY, Nguyen Thanh. Image Classification using Support Vector Machine and Artificial Neural Network. International Journal of Information Technology and Computer Science, v. 4, n. 5, p. 32–38, 2 Maio 2012. VIOLA, Paul e JONES, Michael. Rapid object detection using a boosted cascade of simple features. 2001, [S.l.]: Ieee, 2001. p. I–I. Disponível em: <https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf>. Acesso em: 2 mar 2024. YANG, Shuo e colab. WIDER FACE: A Face Detection Benchmark. . Hong Kong: [s.n.], 2016. Disponível em: <http://mmlab.ie.cuhk.edu.hk/projects/>. ZARE, Reza e POURKAZEMI, Arash. DenseNet approach to segmentation and classification of dermatoscopic skin lesions images. arXiv preprint arXiv:2110.04632, 2021. 76 ZHANG, Jonathan e colab. Classification of diabetic retinopathy severity in fundus images with DenseNet121 and ResNet50. arXiv preprint arXiv:2108.08473, 2021. ZHOU, L.; PAN, S.; WANG, J.; VASILAKOS, A.V. Machine learning on big data: Opportunities and challenges. Neurocomputing 2017, p. 350–361, 2017. ZHU, Xiaojin Jerry. Semi-supervised learning literature survey. 2005. Disponível em: <https://minds.wisconsin.edu/bitstream/handle/1793/60444/TR1530.pdf?sequence=1&is Allowed=y>. Acesso em: 27 jan 2024. |
| Tipo de Acesso: | Acesso Aberto |
| URI: | http://repositorio.ifam.edu.br/jspui/handle/4321/1511 |
| Data do documento: | 19-Mar-2024 |
| Aparece nas coleções: | Monografia_Cont_Automação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| PREVENÇÃO CONTRA_Silva_2024.pdf | Monografia_Controle e Automação | 2,3 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.