Avaliação do Paralelismo em Python para Otimizar uma Abordagem de Identificação de Máscaras Faciais utilizando Redes Neurais Artificiais

• Natan Steinbruch CEFET-RJ
• Vinícius Santos CEFET-RJ
• Nicholas Villela CEFET-RJ
• Gabriel Renato Camargo CEFET-RJ
• Andre Xavier CEFET-RJ
• Diego Brandão CEFET-RJ

DOI: https://doi.org/10.5753/eradrj.2020.14511

Resumo

A pandemia de Covid-19 tem exigido grandes esforços de toda a comunidade científica. Inúmeras iniciativas de pesquisas sobre novas vacinas e possíveis tratamentos têm sido desenvolvidas. No entanto, o controle da pandemia tem sido mais efetivo por meio do comprometimento de toda a população em obedecer os protocolos sanitários, como o isolamento social e principalmente pelo uso das máscaras faciais. Tais atitudes são simples, mas diariamente são exibidos casos de aglomerações e de pessoas que se recusam a utilizar as máscaras, dificultando o controle da doença. Este artigo apresenta uma abordagem por meio de Redes Neurais Artificiais (RNA) para identificação de pessoas que não estão utilizando as máscaras faciais. A linguagem Python é utilizada para implementar a RNA, sendo avaliado o paralelismo proveniente da biblioteca NumPy. Os resultados obtidos demonstram que apesar de o paralelismo empregado ser pontual, ele impacta positivamente no tempo de execução da abordagem desenvolvida.

Palavras-chave: Avaliação, Medição e Predição de Desempenho.

Referências

Chughtai, A. A., Seale, H., and Macintyre, C. R. (2020). Effectiveness of cloth masks for protection against severe acute respiratory syndrome coronavirus 2. Emerging infectious diseases, 26(10).

Ejaz, M. S., Islam, M. R., Sifatullah, M., and Sarker, A. (2019). Implementation of principal component analysis on masked and non-masked face recognition. In 2019 1st International Conference on Advances in Science, Engineering and Robotics Technology (ICASERT), pages 1–5. IEEE.

Haddad, D. B., de Assis, L. S., Tarrataca, L., Gomes, A. d. S., Ceddia, M. B., Oliveira, R. F., Junior, J. R. d. P., and Brandao, D. N. (2018). Brazilian soil bulk density prediction based on a committee of neural regressors. In 2018 International Joint Conference on Neural Networks (IJCNN), pages 1–8. IEEE.

Loey, M., Manogaran, G., Taha, M. H. N., and Khalifa, N. E. M. (2020). A hybrid deep transfer learning model with machine learning methods for face mask detection in the era of the covid-19 pandemic. Measurement, 167:108288.

Oliphant, T. E. (2006). A guide to NumPy, volume 1. Trelgol Publishing USA.

QIN, B. and LI, D. (2020). Identifying facemask-wearing condition using image superresolution with classification network to prevent covid-19.

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., and Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2818–2826.

Ullah, F. U. M., Ullah, A., Muhammad, K., Haq, I. U., and Baik, S. W. (2019). Violence detection using spatiotemporal features with 3d convolutional neural network. Sensors, 19(11):2472.