Submitted by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-07-04T12:23:43Z
No. of bitstreams: 1
DIS_THOMAS_DA_SILVA_PAULA_COMPLETO.pdf: 10601063 bytes, checksum: f63f9b6e33e22c4a2553f784a3a029e1 (MD5) / Made available in DSpace on 2017-07-04T12:23:44Z (GMT). No. of bitstreams: 1
DIS_THOMAS_DA_SILVA_PAULA_COMPLETO.pdf: 10601063 bytes, checksum: f63f9b6e33e22c4a2553f784a3a029e1 (MD5)
Previous issue date: 2017-03-28 / Reconhecimento facial ? um dos assuntos mais estudos no campo de Vis?o Computacional.
Dada uma imagem arbitr?ria ou um frame arbitr?rio, o objetivo do reconhecimento facial ?
determinar se existem faces na imagem e, se existirem, obter a localiza??o e a extens?o de cada
face encontrada. Tal detec??o ? facilmente feita por seres humanos, por?m continua sendo um
desafio em Vis?o Computacional. O alto grau de variabilidade e a dinamicidade da face humana
tornam-a dif?cil de detectar, principalmente em ambientes complexos. Recentementemente, abordagens
de Aprendizado Profundo come?aram a ser utilizadas em tarefas de Vis?o Computacional
com bons resultados. Tais resultados abriram novas possibilidades de pesquisa em diferentes aplica??es,
incluindo Reconhecimento Facial. Embora abordagens de Aprendizado Profundo tenham
sido aplicadas com sucesso para tal tarefa, a maior parte das implementa??es estado da arte utilizam
detectores faciais off-the-shelf e n?o avaliam as diferen?as entre eles. Em outros casos, os
detectores faciais s?o treinados para m?ltiplas tarefas, como detec??o de pontos fiduciais, detec??o
de idade, entre outros. Portanto, n?s temos tr?s principais objetivos. Primeiramente, n?s resumimos
e explicamos alguns avan?os do Aprendizado Profundo, detalhando como cada arquitetura e
implementa??o funcionam. Depois, focamos no problema de detec??o facial em si, realizando uma
rigorosa an?lise de alguns dos detectores existentes assim como algumas implementa??es nossas.
N?s experimentamos e avaliamos varia??es de alguns hiper-par?metros para cada um dos detectores
e seu impacto em diferentes bases de dados. N?s exploramos tanto implementa??es tradicionais
quanto mais recentes, al?m de implementarmos nosso pr?prio detector facial. Por fim, n?s implementamos,
testamos e comparamos uma abordagem de meta-aprendizado para detec??o facial, que
visa aprender qual o melhor detector facial para uma determinada imagem. Nossos experimentos
contribuem para o entendimento do papel do Aprendizado Profundo em detec??o facial, assim como
os detalhes relacionados a mudan?a de hiper-par?metros dos detectores faciais e seu impacto no resultado
da detec??o facial. N?s tamb?m mostramos o qu?o bem features obtidas com redes neurais
profundas ? treinadas em bases de dados de prop?sito geral ? combinadas com uma abordagem de
meta-aprendizado, se aplicam a detec??o facial. Nossos experimentos e conclus?es mostram que o
aprendizado profundo possui de fato um papel not?vel em detec??o facial. / Face Detection is one of the most studied subjects in the Computer Vision field. Given
an arbitrary image or video frame, the goal of face detection is to determine whether there are any
faces in the image and, if present, return the image location and the extent of each face. Such a
detection is easily done by humans, but it is still a challenge within Computer Vision. The high
degree of variability and the dynamicity of the human face makes it an object very difficult to
detect, mainly in complex environments. Recently, Deep Learning approaches started to be applied
for Computer Vision tasks with great results. They opened new research possibilities in different
applications, including Face Detection. Even though Deep Learning has been successfully applied for
such a task, most of the state-of-the-art implementations make use of off-the-shelf face detectors
and do not evaluate differences among them. In other cases, the face detectors are trained in a
multitask manner that includes face landmark detection, age detection, and so on. Hence, our goal
is threefold. First, we summarize and explain many advances of deep learning, detailing how each
different architecture and implementation work. Second, we focus on the face detection problem
itself, performing a rigorous analysis of some of the existing face detectors as well as implementations
of our own. We experiment and evaluate variations of hyper-parameters for each of the detectors
and their impact in different datasets. We explore both traditional and more recent approaches,
as well as implementing our own face detectors. Finally, we implement, test, and compare a meta
learning approach for face detection, which aims to learn the best face detector for a given image.
Our experiments contribute in understanding the role of deep learning in face detection as well as
the subtleties of changing hyper-parameters of the face detectors and their impact in face detection.
We also show how well features obtained with deep neural networks trained on a general-purpose
dataset perform on a meta learning approach for face detection. Our experiments and conclusions
show that deep learning has indeed a notable role in face detection.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2.pucrs.br:tede/7563 |
| Date | 28 March 2017 |
| Creators | Paula, Thomas da Silva |
| Contributors | Barros, Rodrigo Coelho |
| Publisher | Pontif?cia Universidade Cat?lica do Rio Grande do Sul, Programa de P?s-Gradua??o em Ci?ncia da Computa??o, PUCRS, Brasil, Faculdade de Inform?tica |
| Source Sets | IBICT Brazilian ETDs |
| Language | English |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da PUC_RS, instname:Pontifícia Universidade Católica do Rio Grande do Sul, instacron:PUC_RS |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 1974996533081274470, 600, 600, 600, -3008542510401149144, 3671711205811204509 |
Page generated in 0.0025 seconds