A monografia investiga como diferentes ajustes nos hiperparâmetros podem influenciar o desempenho de modelos de deep learning aplicados ao reconhecimento facial, com foco especial na diversidade racial, utilizando redes neurais convolucionais (CNNs) aplicadas ao dataset FairFace. A pesquisa testou diversas combinações de hiperparâmetros, como as funções de ativação ReLU, Tanh e Sigmoid, os otimizadores Adam e SGD, além de esquemas de inicialização de pesos, como Normal e He. A ideia foi entender como essas variações afetam a precisão dos modelos e sua capacidade de reconhecer rostos de diferentes raças de forma justa e robusta.

Os resultados mostraram que o uso da função de ativação ReLU, junto com o otimizador Adam e a inicialização He, proporcionou o melhor desempenho geral. No entanto, o estudo também identificou que o modelo teve dificuldades ao lidar com raças menos representadas, como Latino/Hispânico e Oriente Médio, apontando possíveis falhas relacionadas ao viés no reconhecimento. Na conclusão, é sugerido o uso de técnicas mais sofisticadas, como o aumento de dados e ajustes mais finos dos hiperparâmetros, que poderiam ajudar a melhorar a generalização do modelo e reduzir esses vieses.