Loading...
Publication
Um Estudo Comparativo entre CNNs e Vision Transformers para Reconhecimento Facial em Sistemas de AutenticaĆ§Ć£o
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.13 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Facial recognition has established itself as one of the most promising solutions for
authentication systems, combining practicality, speed, and no explicit interaction on the part of
the user.
However, its use in real environments raises critical challenges, especially in balancing
productivity and security. Spoofing attacks and fraudulent login attempts pose significant
threats that can compromise the reliability and security of these systems.
Therefore, this thesis proposes a solution that aims to implement a facial recognition-based
authentication mechanism capable of combining performance and resilience in the face of
multiple attack attempts. To this end, Convolutional Neural Networks (CNNs) and Vision
Transformers (ViTs) architectures were explored and compared, evaluating their behavior in
terms of speed, performance, and accuracy.
The results highlight the advantages and limitations of each approach, providing possible
architecture and development for the topic in question in order to achieve a solution that is
both useful and secure.
O reconhecimento facial tem vindo a consolidar-se como uma das soluƧƵes mais promissoras para sistemas de autenticaĆ§Ć£o, ao combinar praticidade, rapidez e ausĆŖncia de interaĆ§Ć£o explĆcita por parte do utilizador. Contudo, o seu uso em ambientes reais levanta desafios crĆticos, sobretudo no equilĆbrio entre produtividade e seguranƧa. Ataques de spoofing e tentativas de login fraudulentas representam ameaƧas significativas que podem comprometer a fiabilidade e seguranƧa destes sistemas. Assim sendo, esta tese propƵe uma soluĆ§Ć£o orientada para a implementaĆ§Ć£o de um mecanismo de autenticaĆ§Ć£o baseado em reconhecimento facial, capaz de aliar desempenho e resiliĆŖncia face a diversas tentativas de ataques. Para tal, foram exploradas e comparadas arquiteturas de Convolutional Neural Networks (CNNs) e Vision Transformers (ViTs), avaliando o seu comportamento em termos de velocidade, desempenho e precisĆ£o. Os resultados evidenciam as vantagens e limitaƧƵes de cada abordagem, fornecendo uma possĆvel arquitetura e desenvolvimento ao tema em questĆ£o, por forma a conseguir uma soluĆ§Ć£o tanto Ćŗtil como segura.
O reconhecimento facial tem vindo a consolidar-se como uma das soluƧƵes mais promissoras para sistemas de autenticaĆ§Ć£o, ao combinar praticidade, rapidez e ausĆŖncia de interaĆ§Ć£o explĆcita por parte do utilizador. Contudo, o seu uso em ambientes reais levanta desafios crĆticos, sobretudo no equilĆbrio entre produtividade e seguranƧa. Ataques de spoofing e tentativas de login fraudulentas representam ameaƧas significativas que podem comprometer a fiabilidade e seguranƧa destes sistemas. Assim sendo, esta tese propƵe uma soluĆ§Ć£o orientada para a implementaĆ§Ć£o de um mecanismo de autenticaĆ§Ć£o baseado em reconhecimento facial, capaz de aliar desempenho e resiliĆŖncia face a diversas tentativas de ataques. Para tal, foram exploradas e comparadas arquiteturas de Convolutional Neural Networks (CNNs) e Vision Transformers (ViTs), avaliando o seu comportamento em termos de velocidade, desempenho e precisĆ£o. Os resultados evidenciam as vantagens e limitaƧƵes de cada abordagem, fornecendo uma possĆvel arquitetura e desenvolvimento ao tema em questĆ£o, por forma a conseguir uma soluĆ§Ć£o tanto Ćŗtil como segura.
Description
Keywords
Facial Recognition Authentication Convolutional Neural Network Vision Transformer Security Spoofing Reconhecimento facial AutenticaĆ§Ć£o SeguranƧa
Pedagogical Context
Citation
Publisher
CC License
Without CC licence