Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/34766
Files in This Item:
File Description SizeFormat 
2018_DiegodeOliveiraLelis.pdf3,96 MBAdobe PDFView/Open
Title: Facial kinship verification with large age variation using deep linear metric learning
Authors: Lelis, Diego de Oliveira
Orientador(es):: Borges, Díbio Leandro
Assunto:: Aparência facial
Parentesco
Parentesco - verificação
Aprendizagem métrica
Arquiteturas de aprendizagem
Issue Date: 7-Jun-2019
Citation: LELIS, Diego de Oliveira. Facial kinship verification with large age variation using deep linear metric learning. 2018. ix, 68 f., il. Dissertação (Mestrado em Sistemas Mecatrônicos)—Universidade de Brasília, Brasília, 2018.
Abstract: Aparência facial afeta como os seres humanos interagem. É como os parentes são visualmente identificados para determinar como as interações sociais ocorrem. Humanos podem identificar relações de parentesco baseado-se apenas no rosto. Intrinsecamente, dar a capacidade de detectar relações de parentesco a computadores pode aumentar a utilidade dos mesmos em nossas sociedade. Esta pesquisa propôs uma metodo para o problema de verificação de parentesco com uma nova abordagem não-contextual usando um conjunto de dados com grande variação de idade, aplicando nosso método proposto de Aprendizagem Métrica Linear Profunda (DLML). Nosso método aproveita várias arquiteturas de aprendizado profundo treinadas com conjuntos de dados faciais massivos. O conhecimento adquirido em tarefas tradicionais de reconhecimento facial é adaptado para alimentar um modelo linear de aprendizagem métrica. O método proposto foi capaz de alcançar um desempenho melhor do que outros métodos de verificação de parentesco com contexto em testes que são mais difíceis do que os usados em métodos anteriores com o conjunto de dados do banco de dados do UB Kinface. Os resultados mostram que nosso método pode usar o conhecimento de arquiteturas de aprendizagem profunda treinadas para realizar tarefas de reconhecimento facial com grandes conjuntos de dados para resolver a verificação de parentesco no banco de dados UB Kinface com robustez a grandes diferenças de idade presentes no conjunto de dados. Nosso método também oferece aplicabilidade aprimorada quando comparado a métodos anteriores em situações do mundo real, porque elimina a necessidade de saber/detectar e tratar grandes variações de idade para realizar a verificação de parentesco.
Abstract: Facial appearance affects how humans interact. It is how relatives are visually identified to determine how social interactions proceed. Humans can identify kin relations based only on the face. Intrinsically, giving the ability to detect kin relations to computers can improve their usefulness in our daily lives. This research proposed a solution to the kinship verification problem with a novel non-context-aware approach using a dataset with large age variation by applying our proposed method Deep Linear Metric Learning(DLML). Our method leverages multiple deep learning architectures trained with massive facial datasets. The knowledge acquired on traditional facial recognition tasks is re-purposed to feed a linear metric learning model. The proposed method was able to achieve better performance than other context-aware methods on tests that are inherently more difficult than the ones used on previous methods with the UB Kinface dataset. The results show that our method can use the knowledge of deep learning architectures trained to perform mainstream facial recognition tasks with massive datasets to solve kinship verification on the UB Kinface database with robustness towards large age differences present on the dataset. Our method also offers enhanced applicability when compared to previous methods on real-world situations, because it removes the necessity of knowing/detecting and treating large age variations to perform kinship verification.
metadata.dc.description.unidade: Faculdade de Tecnologia (FT)
Departamento de Engenharia Mecânica (FT ENM)
Description: Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2018.
metadata.dc.description.ppg: Programa de Pós-Graduação em Sistemas Mecatrônicos
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:Teses, dissertações e produtos pós-doutorado

Show full item record " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/34766/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.