Detalhes bibliográficos
Ano de defesa: |
2013 |
Autor(a) principal: |
BARRETO, Rafael Menezes |
Orientador(a): |
REN, Tsang Ing |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Federal de Pernambuco
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/12356
|
Resumo: |
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. |