<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

AUMENTO DE DADOS PARA RECONHECIMENTO FACIAL COM TRANSFERÊNCIA DE APRENDIZADO DE CNNs

dc.contributor.authorUCHÔA, Valeska de Sousa
dc.date.accessioned2020-03-16T11:52:01Z
dc.date.available2020-03-16T11:52:01Z
dc.date.issued2020-03-16
dc.descriptionOrientador: Prof.º Dr. Kelson Rômulo Teixeira Aires. Examinador Interno : Prof.º Dr. Rodrigo de Melo Sousa Veras. Examinador Interno : Prof.º Dr. Laurindo de Sousa Brito Neto.Examinador Externo: Profº Drº Anselmo Cardoso de Paiva.pt_BR
dc.description.abstractRESUMO:O reconhecimento facial é uma tarefa desafiadora de Visão Computacional. Nesta disserta- ção, é proposto um método para reconhecimento de faces aplicando aumento de dados e transferência de aprendizado de Redes Neurais Convolucionais (CNNs) pré-treinadas. O foco é analisar o poder do aumento de dados para melhorar o desempenho do sistema. Foram extraídas características das imagens para o treinamento de classificadores usando a CNN VGG-Face. Para uma base de imagens de entrada, são aplicadas várias transformações gerando 12 versões diferentes da base de imagens de entrada, para avaliar qual combinação produz melhores resultados. Experimentos foram realizados usando o aumento de dados na base Labeled Faces in the Wild (LFW). Os testes mostraram que a acurácia para essa base chegou a 98.43%. Também foi criada uma base de dados proprietária composta por imagens de 12 indivíduos. Para essa base a melhor acurácia foi de 95.41%. A melhoria dos resultados com o método proposto leva a inferir que o aumento de dados é um passo essencial para a tarefa de reconhecimento facial. No entanto, como a operação de aumento que mais contribui com a melhora dos resultados não é a mesma para as duas bases de entrada é necessário realizar esse estudo para cada aplicação.ABSTRACT:Face recognition is a challenging Computer Vision task. In this dissertation, we propose a method for face recognition by applying data augmentation and transfer learning in pre-trained Convolutional Neural Networks (CNNs). Our main focus is to analyze the power of data augmentation towards improving system accuracy. We have trained classifiers with extracted features from the VGG-Face CNN. For a given input dataset, we applied several transformations to generate 12 different versions of the datasets used to evaluate which combination produces better results. We ran experiments using data augmentation on the Labeled Faces in the Wild (LFW) dataset. The experiments with LFW reached accuracy of 98.43%. We also created a proprietary dataset composed of 12 subjects. For the proprietary dataset, the best accuracy obtained was 95.41%. The improvement of results with the proposed method leads to infer that data augmentation is an essential step for the facial recognition task. However, since the augmentation operation that contributes the most to the results improvement is not the same for the two input datasets it is necessary to conduct this study for each application.pt_BR
dc.identifier.urihttp://hdl.handle.net/123456789/2050
dc.language.isootherpt_BR
dc.subjectReconhecimento Facialpt_BR
dc.subjectAumento de dadospt_BR
dc.subjectTransferência de aprendizadopt_BR
dc.subjectRedes neurais convolucionais.pt_BR
dc.subjectFace recognitionpt_BR
dc.subjectData aumentationpt_BR
dc.subjectTransfer learningpt_BR
dc.subjectConvolutional neural networkspt_BR
dc.titleAUMENTO DE DADOS PARA RECONHECIMENTO FACIAL COM TRANSFERÊNCIA DE APRENDIZADO DE CNNspt_BR
dc.typePreprintpt_BR

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
Dissertacao_Valeska.pdf
Tamanho:
2,52 MB
Formato:
Adobe Portable Document Format
Descrição:
Dissertação - Completa

Pacote de licença

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1,71 KB
Formato:
Item-specific license agreed upon to submission
Descrição: