Identificar autoridades por meio de reconhecimento facial. Uso de tecnologia de visão computacional como alternativa para antigo processo de fotogramas (Carômetro)
Bibliographic record
Abstract
Dentro do contexto dos profissionais que atuam na atividade de Relações Governamentais, \no reconhecimento de parlamentares em ambientes físicos é uma tarefa essencial. Esses \nprofissionais exerce uma atividade que faz chegar aos parlamentares os interesses das categorias \nque os lobistas representam, ou seja, um dos processos que asseguram a democracia para nosso \npaís. A forma tradicional utilizada de reconhecimento é feita por fotogramas impressos que o \nprofissional tem que andar em sua mão para identificar (reconhecer) a autoridade parlamentar. \nUma solução para essa tarefa seria utilizar técnicas de visão computacional para auxiliar a \nidentificar, de maneira rápida e precisa, uma autoridade em um evento que circulam dezenas \nou centenas de pessoas. \nOs estudos sobre visão computacional são recentes, nos anos 70 dois trabalha foram \nprecursores - The Psychology of Computer Vision e A framework for representing knowledge. \nA partir de 2012 com a vitória do concurso de reconhecimento de imagem de computador \nImageNet, Alex Krizhevsky da Universidade de Toronto com uma rede neural chamada \nAlexNet abriu as fronteiras para avanços de modelos de redes neurais e de hardware com \narquiteturas em NVIDIA GPU (hoje o GPU está disponível para qualquer usuário da plataforma \nColab da Google). Inovações como essas foram determinantes para tornar acessível para \nqualquer pessoa desenvolver soluções de reconhecimento facial em seus computadores \ndomésticos. Este estudo técnico apresenta o uso de bibliotecas como Dlib e OpenCV que \nsimplificam o desenvolvimento de aplicações para treinar um modelo com imagens de \ndeputados federais, por exemplo, e oferecer uma ferramenta para que lobistas deixem de utilizar \nos fotogramas com a imagem e nome dos parlamentares (“carômetro”) impressos em papel e \ncomecem a utilizar soluções tecnológicas de Deep Learning ao alcance de leigos.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".