Avaliação do Desempenho entre U-Net, TransUNet e Swin-UNet++ com Dataset Térmico Charlotte-ThermalFace

• Felipe Bedinotto Fava UNIPAMPA
• Mariana Rodrigues Padilha UNIPAMPA
• Claudio Schepke UNIPAMPA
• Fabricio Neitzke Ferreira IFSul

DOI: https://doi.org/10.5753/sbcas_estendido.2026.25396

Resumo

A temperatura é um parâmetro crucial para avaliar a saúde de um paciente. Sua medição é realizada por métodos que requerem contato físico ou através da geração de imagens infravermelhas, um método não invasivo, mas que requer tratamento adequado para a obtenção de precisão clínica válida. Neste artigo, propomos um pipeline de visão computacional abrangente e automatizado para Segmentação Térmica da Região Facial. O projeto avalia, treina e compara o desempenho de três algoritmos de segmentação — U-Net, TransUNet e Swin-UNet++ — sob condições idênticas. Utilizamos o conjunto de dados Charlotte ThermalFace para executar o pipeline de um experimento. Os resultados mostram que TransUNet alcançou o melhor desempenho absoluto em fidelidade geométrica, com uma Interseção Média sobre União (mIoU) de 0,6145 e um Coeficiente de Dice-Sørensen de 0,5637; Swin-UNet++ demonstrou maior vazão de processamento, exigindo apenas 12,55 ms por inferência de imagem, o que se traduz em uma taxa de transferência de 79,66 quadros por segundo (FPS); e U-Net apresentou o menor consumo de memória.

Referências

Ashrafi, R., Azarbayjani, M., and Tabkhi, H. (2022). Charlotte-ThermalFace: A Fully Annotated Thermal Infrared Face Dataset with Various Environmental Conditions and Distances. Infrared Physics & Technology, 124:104209.

Chen, J. et al (2021). TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation. Johns Hopkins University.

Jerbi, O. and Lee, S. (2024). Thermal Imaging Body Temperature Estimation Independent of Environmental Conditions and Individual Variations. In 2024 18th International Conference on Ubiquitous Information Management and Communication (IMCOM).

Liu, P. et al. (2021). Swin–UNet++: A Nested Swin Transformer Architecture for Location Identification and Morphology Segmentation of Dimples on 2.25Cr1Mo0.25V Fractured Surface. Materials (Basel), v. 14, n. 24, p. 7504, 7 dez. 2021.

Nowakowski, A. Z. and Kaczmarek, M. (2025). Artificial Intelligence in IR Thermal Imaging and Sensing for Medical Applications. Sensors, 25(3).

Pedregosa, F. et al. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12:2825–2830.

Robledo-Vega, I. et al. (2025). Embedded Vision System for Thermal Face Detection Using Deep Learning. Sensors, 25(10).

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In Navab, N., Hornegger, J., Wells, W. M., and Frangi, A. F., editors, Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, pages 234–241, Cham. Springer International Publishing.

Sheng, D. et al. (2025). Region-Based Self-Segmentation Guided Diffusion Model for Thermal Infrared to Pseudo-Color Visible Light Image Conversion. IEEE Access, v. 13, p. 47860–47873, 2025.

Stanić, V. and Geršak, G. (2025). Facial thermal imaging: A systematic review with guidelines and measurement uncertainty estimation. Measurement, v. 242, p. 115879.