Defesa de Mestrado de Luciana Barbieri

Título do Trabalho
Facial Microexpression Recognition Based on Descriptor and Classifier Combinations
Candidato(a)
Luciana Barbieri
Nível
Mestrado
Data
Add to Calender 2018-01-19 00:00:00 2018-01-19 00:00:00 Defesa de Mestrado de Luciana Barbieri Facial Microexpression Recognition Based on Descriptor and Classifier Combinations Sala 53 IC 2 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
13:30h
Local
Sala 53 IC 2
Orientador(a)
Hélio Pedrini
Banca Examinadora

Titulares  -  Professores Doutores

Unidade/Instituição

Hélio Pedrini

IC/UNICAMP

Fátima de Lourdes dos Santos Nunes Marques

EACH/USP

Sandra Eliza Fontes de Avila

IC/UNICAMP

 

Suplentes  -  Professores Doutores

Unidade/Instituição

André Santanchè

IC/UNICAMP

Moacir Antonelli Ponti

ICMC/USP

Resumo

O reconhecimento de microexpressões em vídeos tem importantes aplicações práticas nas áreas de psicoterapia, investigações forenses, segurança e negociação, entre outros, por fornecer indícios significativos para a detecção de mentiras. Devido a sua curtíssima duração, estas expressões são bastante difíceis de se perceber a olho nu, de forma que seu reconhecimento automático é uma evolução natural em sua área de conhecimento. Pesquisas em aprendizado de máquina aplicadas ao reconhecimento de microexpressões são relativamente recentes, entretanto, os resultados iniciais são promissores, apesar dos desafios impostos. Trabalhos de pesquisa anteriores utilizaram principalmente descritores e classificadores individuais para o reconhecimento de microexpressões. Este trabalho apresenta e avalia uma metodologia que emprega diferentes descritores como entrada para classificadores independentes. Propõe-se também uma extensão a um descritor de geometria da face pré-existente, avaliando-o por meio de múltiplas técnicas de aprendizado de máquina, entre elas os classificadores do tipo Máquinas de Vetores de Suporte (SVM), Florestas Aleatórias (RF) e K-Vizinhos Mais Próximos (KNN). A saída dos classificadores independentes é combinada por meio de técnicas de votação e empilhamento de classificadores. Os resultados experimentais realizados em duas bases de dados públicas mostram uma melhoria significativa nas taxas de acerto dos algoritmos de combinação de classificadores em relação aos classificadores individuais, superando a maioria dos métodos de reconhecimento de microexpressões descritos na literatura.