Aprendizagem de Métrica baseada na Distância Euclidiana aplicada ao Reconhecimento de Faces
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | 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. |
id |
UFPE_ee3e768decb98eace8619ef81cc3d9f8 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/12356 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
BARRETO, Rafael MenezesREN, Tsang IngCAVALCANTI, George D. C.2015-03-13T12:54:33Z2015-03-13T12:54:33Z2013-02-25https://repositorio.ufpe.br/handle/123456789/12356Técnicas 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.porUniversidade Federal de PernambucoAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessReconhecimento facialAprendizagem de MétricaDistância EuclidianaCasamento de paresAprendizagem de Métrica baseada na Distância Euclidiana aplicada ao Reconhecimento de Facesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETHUMBNAILDissertacao Rafael Barreto.pdf.jpgDissertacao Rafael Barreto.pdf.jpgGenerated Thumbnailimage/jpeg1317https://repositorio.ufpe.br/bitstream/123456789/12356/5/Dissertacao%20Rafael%20Barreto.pdf.jpgff37e7b969392970107372019e25d250MD55ORIGINALDissertacao Rafael Barreto.pdfDissertacao Rafael Barreto.pdfDissertação de mestradoapplication/pdf2888932https://repositorio.ufpe.br/bitstream/123456789/12356/1/Dissertacao%20Rafael%20Barreto.pdf8342634de0d5283a7be9cd85aecf665aMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81232https://repositorio.ufpe.br/bitstream/123456789/12356/2/license_rdf66e71c371cc565284e70f40736c94386MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82311https://repositorio.ufpe.br/bitstream/123456789/12356/3/license.txt4b8a02c7f2818eaf00dcf2260dd5eb08MD53TEXTDissertacao Rafael Barreto.pdf.txtDissertacao Rafael Barreto.pdf.txtExtracted texttext/plain136557https://repositorio.ufpe.br/bitstream/123456789/12356/4/Dissertacao%20Rafael%20Barreto.pdf.txtec1e0e7036c19c32bf7c0191d12fc009MD54123456789/123562019-10-25 17:21:11.376oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T20:21:11Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Aprendizagem de Métrica baseada na Distância Euclidiana aplicada ao Reconhecimento de Faces |
title |
Aprendizagem de Métrica baseada na Distância Euclidiana aplicada ao Reconhecimento de Faces |
spellingShingle |
Aprendizagem de Métrica baseada na Distância Euclidiana aplicada ao Reconhecimento de Faces BARRETO, Rafael Menezes Reconhecimento facial Aprendizagem de Métrica Distância Euclidiana Casamento de pares |
title_short |
Aprendizagem de Métrica baseada na Distância Euclidiana aplicada ao Reconhecimento de Faces |
title_full |
Aprendizagem de Métrica baseada na Distância Euclidiana aplicada ao Reconhecimento de Faces |
title_fullStr |
Aprendizagem de Métrica baseada na Distância Euclidiana aplicada ao Reconhecimento de Faces |
title_full_unstemmed |
Aprendizagem de Métrica baseada na Distância Euclidiana aplicada ao Reconhecimento de Faces |
title_sort |
Aprendizagem de Métrica baseada na Distância Euclidiana aplicada ao Reconhecimento de Faces |
author |
BARRETO, Rafael Menezes |
author_facet |
BARRETO, Rafael Menezes |
author_role |
author |
dc.contributor.author.fl_str_mv |
BARRETO, Rafael Menezes |
dc.contributor.advisor1.fl_str_mv |
REN, Tsang Ing |
dc.contributor.advisor-co1.fl_str_mv |
CAVALCANTI, George D. C. |
contributor_str_mv |
REN, Tsang Ing CAVALCANTI, George D. C. |
dc.subject.por.fl_str_mv |
Reconhecimento facial Aprendizagem de Métrica Distância Euclidiana Casamento de pares |
topic |
Reconhecimento facial Aprendizagem de Métrica Distância Euclidiana Casamento de pares |
description |
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. |
publishDate |
2013 |
dc.date.issued.fl_str_mv |
2013-02-25 |
dc.date.accessioned.fl_str_mv |
2015-03-13T12:54:33Z |
dc.date.available.fl_str_mv |
2015-03-13T12:54:33Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/12356 |
url |
https://repositorio.ufpe.br/handle/123456789/12356 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/12356/5/Dissertacao%20Rafael%20Barreto.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/12356/1/Dissertacao%20Rafael%20Barreto.pdf https://repositorio.ufpe.br/bitstream/123456789/12356/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/12356/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/12356/4/Dissertacao%20Rafael%20Barreto.pdf.txt |
bitstream.checksum.fl_str_mv |
ff37e7b969392970107372019e25d250 8342634de0d5283a7be9cd85aecf665a 66e71c371cc565284e70f40736c94386 4b8a02c7f2818eaf00dcf2260dd5eb08 ec1e0e7036c19c32bf7c0191d12fc009 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310618883031040 |