As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Visão geral da detecção facial e comparação de faces
O Amazon Rekognition fornece aos usuários acesso a dois aplicativos principais de aprendizado de máquina para imagens contendo rostos: detecção facial e comparação facial. Eles potencializam recursos cruciais, como análise facial e verificação de identidade, tornando-os vitais para vários aplicativos, desde segurança até organização de fotos pessoais.
Detecção facial
Um sistema de detecção facial aborda a questão: “Há um rosto nesta foto?” Os principais aspectos da detecção facial incluem:
-
Localização e orientação: determina a presença, localização, escala e orientação das faces em imagens ou quadros de vídeo.
-
Atributos faciais: detecta rostos independentemente de atributos como sexo, idade ou pelos faciais.
-
Informações adicionais: Fornece detalhes sobre a oclusão facial e a direção do olhar.
Comparação de rostos
Um sistema de comparação facial se concentra na pergunta: “O rosto em uma imagem combina com o rosto em outra imagem?” As funcionalidades do sistema de comparação facial incluem:
-
Previsões de correspondência facial: compara um rosto em uma imagem com um rosto em um banco de dados fornecido para prever correspondências.
-
Manipulação de atributos faciais: manipula atributos para comparar faces, independentemente da expressão, dos pelos faciais e da idade.
Pontuações de confiança e detecções perdidas
Os sistemas de detecção facial e comparação facial utilizam pontuações de confiança. Uma pontuação de confiança indica a probabilidade de previsões, como a presença de um rosto ou uma correspondência entre faces. Pontuações mais altas indicam maior probabilidade. Por exemplo, 90% de confiança sugere uma probabilidade maior de detecção ou correspondência correta do que 60%.
Se um sistema de detecção facial não detectar adequadamente um rosto ou fornecer uma previsão de baixa confiança para um rosto real, isso é uma detecção perdida/falso negativo. Se o sistema prever incorretamente a presença de um rosto com alto nível de confiança, isso é um falso alarme/falso positivo.
Da mesma forma, um sistema de comparação facial pode não corresponder a dois rostos que pertencem à mesma pessoa (detecção perdida/falso negativo) ou pode prever incorretamente que dois rostos de pessoas diferentes são a mesma pessoa (falso alarme/falso positivo).
Design do aplicativo e definição de limites
-
Você pode definir um limite que especifique o nível mínimo de confiança necessário para retornar um resultado. Escolher os limites de confiança adequados é essencial para o design do aplicativo e para a tomada de decisões com base nas saídas do sistema.
-
O nível de confiança escolhido deve refletir seu caso de uso. Alguns exemplos de casos de uso e limites de confiança:
-
-
Aplicativos de fotos: um limite mais baixo (por exemplo, 80%) pode ser suficiente para identificar membros da família nas fotos.
-
Cenários de alto risco: em casos de uso em que o risco de detecção perdida ou alarme falso é maior, como aplicativos de segurança, o sistema deve usar um nível de confiança mais alto. Nesses casos, um limite mais alto (por exemplo, 99%) é recomendado para combinações faciais precisas.
-
Para obter mais informações sobre como definir e entender os limites de confiança, consultePesquisa de faces em uma coleção.