Abordagens em aprendizagem estatística para computar componentes tensoriais em subespaços multilineares com aplicações em reconhecimento de expressões e gênero em imagens de face

• Ano de defesa: 2015
• Autor(a) principal: Filisbino, Tiene Andre
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Laboratório Nacional de Computação Científica; Serviço de Análise e Apoio a Formação de Recursos Humanos; Brasil; LNCC; Programa de Pós-Graduação em Modelagem Computacional
• Palavras-chave em Português: Reconhecimento de padrões; Pattern perception; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::PROCESSAMENTO GRAFICO (GRAPHICS)
• Link de acesso: https://tede.lncc.br/handle/tede/213

As principais contribuições desta dissertação estão divididas em duas partes. O principal objetivo da primeira parte é investigar a eficiência das técnicas de ordenação para componentes tensoriais em experimentos de genero e expressão facial (felicidade contra neutra) para problemas de classificação e reconstrução em espaços multilineares. Nós verificaremos as consequências das técnicas de ordenação tensoriais via estrutura espectral dos dados, bem como usando pesos gerados através de hiperplanos de sepação, tais como SVM (support vector machine) e LDA (linear discriminant analysis), além de, do critério de Fisher. Esta análise foi realizada no contexto do MPCA (multilinear principal components analysis) e CSA (concurrent subspace analysis), as quais, são técnicas conhecidas na área de aprendizagem de subespaços multilineares. A primeira segue a metodologia do (PCA) (principal components analysis),que centraliza as amostras antes de computar o subespaço enquanto que a última realiza o procedimento de aprendizagem usando os dados brutos. Na segunda parte, nós analisamos a influência dos pesos computados usando SVM, LDA e critério de Fisher como uma informação a priori para gerar novas componentes tensoriais no contexto do MPCA. Esta nova técnica de aprendizagem supervisionada, que chamamos de WMPCA (weighted MPCA), é combinada com o método de ordenação para re-ordenar componentes tensoriais ponderadas computadas pelo WMPCA. Nós aplicamos a técnica combinada, denominada WTDPCA (weighted tensor discriminant principal components analysis), bem como o WMPCA, para análise de imagens de faces. Os resultados mostram a eficiência dos subespaços gerados para distinguir grupos de amostras em tarefas de classificação bem como questões inerentes a padrões globais e locais na reconstrução. Nós também abordamos aspectos teóricos relacionadas a conexão entre MPCA e CSA, bem como fundamentos relacionados a estrutura espectral e análise discriminante em problemas de aprendizagem multilineares.