EVENTO
Abordagens Estatísticas para Computar Componentes Principais Ponderadas com Aplicações em Análise de Imagens de Faces Humanas
Tipo de evento: Defesa de Dissertação de Mestrado
Apesar da eficiência da análise de componentes principais (Principal Component Analysis - PCA) como um método não-supervisionado para redução de dimensionalidade, seu algoritmo não incorpora informações prévias extraídas do domínio específico correspondente aos dados. Uma forma de tratar essa limitação do PCA é utilizando pesos espaciais computados utilizando os próprios dados. Neste contexto, o principal objetivo deste trabalho é investigar a eficiência de técnicas de ponderação dos dados para o cálculo de componentes principais em experimentos de gênero e expressão facial, considerando problemas de classificação e reconstrução. Especificamente, a metodologia consiste em gerar pesos espaciais (mapas estatísticos) para ponderar os pixels das imagens de entrada do PCA. Em seguida, os dados assim ponderados são utilizados como entrada para o algoritmo tradicional do PCA. Tal abordagem foi empregada na literatura via cálculo de classificadores lineares e técnicas de análise discriminante. Nesta dissertação consideramos as seguintes técnicas para o cálculo dos pesos espaciais: (a) Teste de t-Student; (b) Hiperplano computado usando SSVM (Smooth Support Vector Machine); (c) Entropia de Shannon calculada pixel-a-pixel; (d) Inverso da Entropia de Shannon calculada pixel-a-pixel; (e) Divergência Jensen-Shannon. A técnica (b) é conhecida na literatura para o problema de interesse, sendo escolhida como uma referência para comparação com as demais. Os mapas obtidos pelo método (a) são utilizados em análise de faces, porém, em metodologias distintas daquela focada nesta dissertação. A aplicação das demais técnicas para cálculo de pesos espaciais em reconhecimento de faces é a principal contribuição deste trabalho. A avaliação da eficiência das diferentes componentes principais obtidas com cada técnica é feita analisando os resultados da reconstrução de imagens, visualização de componentes principais e classificação. Para esta última, foram utilizados os seguintes classificadores: K-Vizinhos Mais Próximos e a Distância de Mahalanobis. Foi utilizada também uma metodologia baseada em quadtree para reduzir pequenas variações locais dos mapas estatísticos, para testar seu efeito na reconstrução e classificação.Para assistir acesse:meet.google.com/hkq-ofcr-ujb
Data Início: 30/11/2023 Hora: 14:00 Data Fim: 30/11/2023 Hora: 17:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Virtual
Aluno: Laura Costa Pereira Miranda - - LNCC
Orientador: Diego Barreto Haddad - Centro Federal de Educação Tecnológica Celso Suckow da Fonseca - CEFET Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: Carlos Eduardo Thomaz - Centro Universitario da FEI - FEI Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC Jauvane Cavalcante de Oliveira - Laboratório Nacional de Computação Científica - LNCC
Suplente Banca Examinadora: Luciano Rebouças de Oliveira - Universidade Federal da Bahia - UFBA Pablo Javier Blanco - Laboratório Nacional de Computação Científica - LNCC
