Made available in DSpace on 2016-06-02T19:05:18Z (GMT). No. of bitstreams: 1 DissMHH.pdf: 1099194 bytes, checksum: 184b5cdd154482fba5534e26df80594f (MD5) Previous issue date: 2003-08-27 / This work presents a methodology for predetermined facial attributes recognition preestablished. This work realizes the recognition of facial attributes previously established: right eye, left eye, nose and lip, using an alternative implementation of Neocognitron Neural Network, robust for distortions and shifts on input patterns. The implementation of the neural network (NEOFAR - Neocognitron for Facial Attributes Recognition), consists of two sub-networks: Neural Network for Detecting of Control Points (NNDCP), which is used for edge detection, line detection, and line end detection, during the training phase; and Neural Network for Facial Recognition (NNFR), which is used for complex features manipulation, during the recognition phase. The performance evaluation showed the viability of project for many applications with excellent future perspectives. The performance tests showed rightness taxes over 85%. / Este trabalho é relativo à metodologia de reconhecimento de atributos faciais préestabelecidos: olho direito, olho esquerdo, nariz e lábio, utilizando uma implementação alternativa da Rede Neural Neocognitron, robusta a distorções e deslocamentos no padrão de entrada. A implementação da rede neural (NEORAF-Neocognitron para o Reconhecimento de Atributos Faciais), consiste de duas sub-redes: Rede Neural para Detecção de Pontos de Controle (RNDPC), que detecta bordas, linhas e extremidades de linhas nos padrões de entrada, durante o treinamento; e Rede Neural para Reconhecimento Facial (RNRF), que é a rede propriamente usada para o reconhecimento, constituído de camadas para manipulação de fatores complexos. A avaliação de desempenho mostrou a viabilidade do sistema para diversas aplicações com excelentes perspectivas futuras. Os testes de desempenho apresentaram taxas de acerto acima de 85%.

Made available in DSpace on 2016-06-02T19:05:30Z (GMT). No. of bitstreams: 1 1899.pdf: 6848122 bytes, checksum: 73de4f19b5358e6ac6d95ad0e75e7ea1 (MD5) Previous issue date: 2007-08-30 / Financiadora de Estudos e Projetos / This work presents an implementation of the Neocognitron Neural Network, using a high performance computing architecture based on GPU (Graphics Processing Unit). Neocognitron is an artificial neural network, proposed by Fukushima and collaborators, constituted of several hierarchical stages of neuron layers, organized in two-dimensional matrices called cellular plains. For the high performance computation of Face Recognition application using Neocognitron it was used CUDA (Compute Unified Device Architecture) as API (Application Programming Interface) between the CPU and the GPU, from GeForce 8800 GTX of NVIDIA company, with 128 ALU s. As face image databases it was used a face database created at UFSCar, and the CMU-PIE (Carnegie Melon University - Pose, Illumination, and Expression) database. The load balancing through the parallel processing architecture was obtained by means of the distributed processing of the cellular connections as threads organized in blocks, following the CUDA philosophy of development. The results showed the viability of this type of device as a massively parallel data processing tool, and that smaller the granularity of the parallel processing, and the independence of the processing, better is its performance. / Neste trabalho é apresentada a implementação da Rede Neural Neocognitron, usando uma arquitetura de computação de alto desempenho baseada em GPU (Graphics Processing Unit). O Neocognitron é uma rede neural artificial, proposta por Fukushima e colaboradores, constituída de vários estágios de camadas de neurônios, organizados em matrizes bidimensionais denominadas planos celulares. Para o processamento de alto desempenho da aplicação de reconhecimento facial usando neocognitron foi utilizado o CUDA (Compute Unified Device Architecture) como API (Application Programming Interface) entre o CPU e o GPU, da GeForce 8800 GTX da empresa NVIDIA, com 128 ALU s. Como repositórios de imagens faciais foram utilizados imagens faciais desenvolvido na UFSCar e o banco da Universidade de Carnegie Melon, CMU-PIE. O balanceamento de carga na arquitetura de processamento paralelo foi obtido considerando o processamento de uma conexão de neurônio como um thread, e um conjunto de threads, como um bloco, segundo a filosofia de desenvolvimento dentro deste ambiente. Os resultados mostraram a viabilidade do uso deste tipo de dispositivo como ferramenta de processamento de dados maciçamente paralelo e que quanto menor a granularidade da paralelização e a independência dos processamentos, melhor é seu desempenho.

Made available in DSpace on 2016-06-02T19:05:30Z (GMT). No. of bitstreams: 1 1973.pdf: 2279550 bytes, checksum: d1faff5394d480a23ef7c9a9c0ebdc08 (MD5) Previous issue date: 2008-08-13 / Universidade Federal de Minas Gerais / The present work consists in the use of the combination of neocognitron networks for the face recognition tasks integrating a system of face recognition, categorized as holistic method, by the fact of to approach all the face in the extration of the characteristics of the input image. The use of the face as biometric attribute in the recognition of individuous has grown mainly to its characteristic that dispense their cooperation for analysis. The great challenges in the area of face recognition are about the application in non-controlled environments in which the variation of illumination and pose can decrease the performance of the system. In order to work the challenges (variation of illumination and distortion in the patterns) it was used frontals images of CMU-PIE (University Carnegie Mellon - Pose, Illumination and Expression) database using the advantage of illumination and expression variations. The neural network model applied in the work is the neocognitron network that is capable to recognize patterns without its capacity of recognition been affected by deformations, changes in the size or position, of the input pattern. With the goal of to get the structure more adjusted of the neocognitron for the face recognition task, inside of a set of structures, it was analyzed some structures of neocognitron network with one output class and with different images resolutions. The best result corresponds to a recognition rate of 78% for a set with 30 classes with thirty and six patterns each one in the recognition phase. To improve the results it was applied combination of classifiers using: Decision Templates and the Modified Decision Templates method developed in this work. The performance of the classifiers was analyzed through the error estimation using the hold-out method and the Kappa coefficient. The final results pointed that the combination of classifiers applied to this model did not result in significant improvements due the inherent characteristics of the applied model. / O presente trabalho consiste na utilização da combinação de redes neocognitron na tarefa de reconhecimento facial integrando um sistema de reconhecimento facial, categorizado como método holístico, pelo fato de abordar a face como um todo na extração das características da imagem de entrada.A utilização da face como atributo biométrico no reco-nhecimento de indivíduos tem crescido principalmente devido a sua característica de não necessitar da cooperação do indivíduo para análise. Os grandes desafios na área de reco-nhecimento facial trata de sua aplicação em ambientes não-controlados em que a variação de iluminação e pose podem degradar o desempenho do sistema. A fim de trabalhar os desafios (variação de iluminação e distorção nos padrões) utilizou-se imagens frontais da base CMU-PIE (Carnegie Mellon University - Pose, Illumination and Expression) aproveitando sua característica de variação da iluminação e expressão. O modelo neural aplicado ao trabalho é a rede neocognitron que é capaz de reconhecer padrões sem que sua capacidade de reco-nhecimento seja afetada por deformações, mudanças no tamanho ou posição do padrão de entrada. Com o objetivo de obter a estrutura da rede neocognitron mais adequada à tarefa de reconhecimento facial, dentro de um conjunto de estruturas, foram analisadas algumas estruturas de rede neocognitron com uma saída e com diferentes resoluções de imagens. O melhor resultado obtido consiste na taxa de reconhecimento de 78% para um conjunto com 30 classes com trinta e seis padrões cada na fase de reconhecimento. Para a melhoria dos resultados aplicou-se a combinação de classificadores utilizando: Decision Templates e o método Decision Templates Modificado desenvolvido neste trabalho. O desempenho dos classificadores foi analisado através da estimação de erro pelo método hold-out e pelo coeficiente Kappa. Os resultados finais apontaram que a combinação de classificadores, aplicados a este modelo não resultou em melhoras significativas devido às características inerentes ao modelo aplicado.

Made available in DSpace on 2016-06-02T19:05:33Z (GMT). No. of bitstreams: 1 DissARB.pdf: 2917601 bytes, checksum: 2550cfec255ecfa8a17d449f488cf2b7 (MD5) Previous issue date: 2001-09-27 / Financiadora de Estudos e Projetos / In this dissertation it is presented a face recognition system based in the neocognitron (NEOPC). This system is divided into three major stages: (a) pré-processing: which normalizes the facial samples utilized in the neural network architectures; (b) Neural Network for Detection of Control Points (NNDCP): which obtains the control points to be used in the non supervised training structure of the neocognitron and (c) Neural Network for the Facial Recognition (NNFR), which carried out the recognition of face samples.The main characteristic of NEOPC is the use of control points for the extraction of patterns strategically located, such as eyes, noses and lips, used on non supervised training of the NNFR. The tests of the NEOPC were carried out, considering facial samples having variations of angles and expressions, and different amounts of classes and samples to the training and recognition stages. For the attainment of the results, a base of images released by the University of Cambridge and three bases of images developed as part of this work. In order to compare the several results obtained with the four bases of images investigated in this dissertation we present in all of them relevant information, such as, the thresholds used for the excitation of neurons, rightness and error rates. The results shows that the NEOPC performance increases with the number of samples used for the training, until an optimal point, and then decreases. It is explained by the increase of the cell numbers with the features from new samples, difficulty the recognition. / Nesta dissertação de mestrado é apresentado um sistema de reconhecimento facial baseado no neocognitron (NEOPC). Este sistema é dividido em três importantes etapas: (a) pré-processamento: que normaliza as amostras faciais utilizadas nas arquiteturas de redes neurais, (b) Rede Neural para Detecção dos Pontos de Controle (RNDPC): que obtém os pontos de controles que são adicionados na estrutura de treinamento nãosupervisionado do neocognitron e (c) Rede Neural para o conhecimento Facial (RNRF): que realiza o reconhecimento das amostras faciais. A principal característica da NEOPC é a utilização dos pontos de controle para a extração de fatores localizados em posições estratégicas, tais como olhos, nariz e lábios, utilizados no treinamento não-supervisionado da RNRF. Foram realizados os testes, da NEOPC, considerando amostras faciais com variações de ângulos e expressões, e diferentes quantidades de classes e amostras para a fase de treinamento e reconhecimento. Foram utilizadas, para a obtenção dos resultados, uma base de imagens disponibilizada pela Universidade de Cambridge e três bases de imagens desenvolvidas como parte deste trabalho. Para comparar os vários resultados obtidos com as quatro bases de imagens utilizadas nesta dissertação, foram apresentados, em todas a bases, informações relevantes, tais como: os thresholds utilizados para a excitação dos neurônios, a taxa de acerto e a taxa de erro. Os resultados demonstraram que o desempenho do NEOPC aumenta com a quantidade de amostras utilizadas para o treinamento, até um ponto ótimo, e posteriormente passa a decrescer. Isso significa que novos atributos de novas amostras aumentam o número de planos celulares dificultando o reconhecimento.

Made available in DSpace on 2016-06-02T19:05:48Z (GMT). No. of bitstreams: 1 DissBZ.pdf: 3665163 bytes, checksum: afc77330f1e29e8f8d84806ecc6b95a5 (MD5) Previous issue date: 2004-04-26 / Financiadora de Estudos e Projetos / Some Artificial Neural Networks may increase their size significantly with its use, making it difficult for a human being study it well. The networks of the Neocognitron model are an example of this kind of network, increasing its initial size many times before the end of their training. Using Scientific Visualization techniques, we obtained a tool that allows the user to see in details a neocognitron network actually working, be it during its training time or the recognition process. This allows a better comprehension of the whole model , as it helps in the construction of a network by allowing experimentation with the parameters of the model. Powering this tool is a library of classes, that can be used separately to the implementation of new ways of visualization or in new simulators of other models of neural networks. / As redes neurais artificiais possuem a capacidade de aumentarem significativamente de tamanho, tornando-se mais difícil para o ser humano estudá-las a contento. As redes do tipo neocognitron são um exemplo desse tipo de rede, que pode ampliar em muitas vezes seu tamanho inicial durante o treinamento. Utilizando-se de técnicas de visualização, conseguiu-se uma ferramenta que possibilita ver o funcionamento de uma rede neocognitron, tanto em seu treinamento quanto na fase de classificação, permitindo assim uma maior compreensão do modelo como um todo, bem como experimentação dos diversos parâmetros do modelo. Por trás dessa ferramenta está uma biblioteca de classes que pode ser utilizada separadamente para a implementação de novas formas de visualização ou novos simuladores de modelos de redes neurais diferentes. A utilização dessa biblioteca reduz o tempo de prototipação de uma rede neural do tipo Neocognitron e, com algumas expansões, de outros tipos de redes neurais. Isso propicia um maior tempo para o pesquisador voltar sua atenção à arquitetura da rede em si. No campo da educação, a ferramenta de visualização fornece um laboratório sobre a rede neural Neoconitron, podendo ainda ser adaptado para se conformar a novas expansões da biblioteca, fazendo com que o aluno aprenda mais sobre a arquitetura da rede ao vê-la em funcionamento e ao alterar seus parâmetros interativamente.