Submitted by Luiz Felipe Barbosa (luiz.fbabreu2@ufpe.br) on 2015-03-12T13:13:19Z
No. of bitstreams: 2
Dissertacao Rafael Barreto.pdf: 2888932 bytes, checksum: 8342634de0d5283a7be9cd85aecf665a (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Approved for entry into archive by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-13T12:54:33Z (GMT) No. of bitstreams: 2
Dissertacao Rafael Barreto.pdf: 2888932 bytes, checksum: 8342634de0d5283a7be9cd85aecf665a (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-13T12:54:33Z (GMT). No. of bitstreams: 2
Dissertacao Rafael Barreto.pdf: 2888932 bytes, checksum: 8342634de0d5283a7be9cd85aecf665a (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Previous issue date: 2013-02-25 / Técnicas para reconhecimento facial têm sido extensivamente pesquisadas há
vários anos. Uma das principais razões para essa popularidade é o fato de que
amostras da face podem ser capturadas de maneira não-intrusiva viabilizando
aplicações atualmente impossíveis com outras biometrias. Os desafios envolvidos,
contudo, são proporcionais à popularidade. A maior parte dos descritores
faciais atualmente utilizados não possuem poder discriminatório suficiente
para permitir operação em cenários não-controlados. Por essa razão, cada
vez mais pesquisadores têm-se focado na melhoria da etapa de classificação
desses sistemas empregando técnicas de Aprendizagem de Máquina. Uma
estratégia popular é combinar diversos descritores por meio de classificadores
do tipo ensemble na expectativa de que um dos descritores utilizados forneça
a capacidade discriminatória necessária. Embora eficaz, essa abordagem é
computacionalmente custosa. Alternativamente, Aprendizagem de Métrica
pode ser empregada para encontrar um mapeamento para um novo espaço
de descritores no qual a separabilidade induzida por uma função de distância
específica seja aumentada. Apesar de conhecida, essa estratégia não é bem
explorada no domínio de reconhecimento facial. Nesse contexto, este trabalho
analisa o Estado-da-Arte da aplicação de Aprendizagem de Métrica ao problema
de reconhecimento facial e propõe o algoritmo `2-Norm Metric Learning
(L2ML) baseado na métrica Euclidiana e especificamente projetado para operação
em modo casamento de pares. L2ML introduz um problema de otimização
envolvendo uma função objetivo simples com solução de cômputo eficiente
ao contrário de outros métodos similares. Os experimentos mostram que o
algoritmo L2ML atinge performance no Estado-da-Arte no protocolo Image
Restricted da base de dados não-controlada Labeled Faces in theWild (LFW).
De fato, uma precisão média de 85,50% foi obtida nesse protocolo combinando
três medidas de distância. Este resultado põe L2ML em destaque em relação a
técnicas mais complexas descritas em trabalhos recentes e reafirma Aprendizagem
de Métrica como uma estratégia promissora para reconhecimento facial
em ambientes irrestritos.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/12356 |
| Date | 25 February 2013 |
| Creators | BARRETO, Rafael Menezes |
| Contributors | REN, Tsang Ing, CAVALCANTI, George D. C. |
| Publisher | Universidade Federal de Pernambuco |
| Source Sets | IBICT Brazilian ETDs |
| Language | Breton |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0024 seconds