Publication
Um Estudo Comparativo entre CNNs e Vision Transformers para Reconhecimento Facial em Sistemas de AutenticaĆ§Ć£o
| datacite.subject.fos | Engenharia e Tecnologia | |
| datacite.subject.sdg | 09:IndĆŗstria, InovaĆ§Ć£o e Infraestruturas | |
| dc.contributor.advisor | Ramos, Carlos Fernando da Silva | |
| dc.contributor.author | FERREIRA, GUSTAVO LEVI VIEIRA | |
| dc.date.accessioned | 2025-12-17T10:47:02Z | |
| dc.date.available | 2025-12-17T10:47:02Z | |
| dc.date.issued | 2025-10-29 | |
| dc.description.abstract | 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. | eng |
| dc.description.abstract | 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. | por |
| dc.identifier.tid | 204067251 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/31233 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Facial Recognition | |
| dc.subject | Authentication | |
| dc.subject | Convolutional Neural Network | |
| dc.subject | Vision Transformer | |
| dc.subject | Security | |
| dc.subject | Spoofing | |
| dc.subject | Reconhecimento facial | |
| dc.subject | AutenticaĆ§Ć£o | |
| dc.subject | SeguranƧa | |
| dc.title | Um Estudo Comparativo entre CNNs e Vision Transformers para Reconhecimento Facial em Sistemas de AutenticaĆ§Ć£o | |
| dc.title.alternative | A Comparative Study of CNNs and Vision Transformers for Facial Recognition in Authentication Systems | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Engenharia de InteligĆŖncia Artificial |