Avaliação Experimental de Métodos de Quantização em Reconhecimento Facial

Abstract

Este trabalho realiza uma avaliação experimental dos impactos causados pela quantização de modelos de geração de embeddings aplicados ao reconhecimento facial. São comparados dois modelos — FaceNet (baseado em Inception-ResNet) e TransFace (baseado em Vision Transformer) — sob diferentes representações de precisão (FP32 e INT8) e plataformas de inferência (Torch e ONNX). Os experimentos foram conduzidos nos datasets LFW, VGGFace2 e CelebA, com avaliação de acurácia Rank-1 e uso de distância cosseno como métrica de similaridade. Os resultados indicam que modelos mais estabelecidos, como o FaceNet, são mais robustos à quantização, mantendo a acurácia mesmo em formatos reduzidos, enquanto o TransFace sofre degradação perceptível ao ser quantizado. Além disso, a quantização dos vetores resultou em redução de até 80\% no espaço de armazenamento sem comprometer significativamente o desempenho. Estes achados destacam a viabilidade de quantização como estratégia para otimização de modelos em ambientes com restrições de recursos.