Análise comparativa de redes neurais artificiais e modelos escondidos de Markov para aplicações de reconhecimento de gestos em superfícies.

• Autor(a) principal: MOREIRA, Bruna Salles.
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/21867
• topic: Reconhecimento de gestos em superfícies; Redes neurais artificiais; Modelos escondidos de Markov; Superfícies interativas; Aprendizado de máquina; Técnicas de aprendizagem de máquina; Inteligência artificial; Entrada acústica - classificação; Matlab - toolboxes; Toolboxes - Matlab; Reconhecimento de objetos e texturas; Gesture recognition on surfaces; Artificial neural networks; Hidden Markov Models; Interactive Surfaces; Machine learning; Machine learning techniques; Artificial intelligence; Acoustic entrance - classification; Matlab - toolboxes; Toolboxes - Matlab; Object and texture recognition; Engenharia Elétrica.

Muitas atividades humanas são táteis. Reconhecer como uma pessoa toca um objeto ou uma superfície que os cerca diariamente é uma área ativa de pesquisa e gera um forte interesse na comunidade de superfícies interativas. Nesta dissertação, compara-se duas técnicas de aprendizado de máquina, a Rede Neural Artificial (RNA) e os Modelos de Markov escondidos (HMM), pois são técnicas comuns e com baixo custo computacional utilizadas para classificar uma entrada acústica, baseando-se em o som único produzido quando uma unha é arrastada sobre uma superfície. Empregou-se um microfone pequeno e de baixo custo que pode ser facilmente incorporado a uma superfície para ser utilizado como entrada passiva de reconhecimento de gestos. Nossa contribuição é analisar as vantagens e limitações dessas técnicas no contexto do reconhecimento de gestos usando um alfabeto simples de três figuras geométricas: círculo, quadrado e triângulo. Para isso, usamos as toolboxes do Matlab para implementar os modelos e avaliar o conjunto de dados utilizados para treinar os modelos.