dc.contributor.advisor | Guerra, Rodrigo da Silva | |
dc.creator | Pozzobon, Luiza Amador | |
dc.date.accessioned | 2022-10-19T17:22:35Z | |
dc.date.available | 2022-10-19T17:22:35Z | |
dc.date.issued | 2019-12-18 | |
dc.date.submitted | 2019 | |
dc.identifier.citation | POZZOBON, L. A. Um estudo da classificação de emoções em faces parcialmente oclusas. 2019. 119 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação)- Universidade Federal de Santa Maria, Santa Maria, RS, 2019. | por |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/26573 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2019. | por |
dc.description.abstract | With the increased use of intelligent technologies or machines by the average user, the need for the creation of human-centered computers and algorithms urges attention. In this sense, the inference of the emotional state of the human being with which a machine interacts with is fundamental for the establishment and regulation of affective connections, having applications in areas ranging from education to assistive technologies. The usage of intelligent algorithms, however, is starting to be regularized, and
projects such as the General Data Protection Regulation guarantees for the user the right to an explanation of such automated inferences. This work is rooted in both topics mentioned: emotion estimation from facial images and the explicability of the intelligent algorithm in question. For this, we compared neural network architectures with and without attention mechanisms, trained separately in two datasets, with and without
the presence of facial occlusions. At the end of the study, it is found that the addition of attention mechanisms contributes positively to emotion classification in most cases. Also, training with occluded images seems to expand the focus of a neural network on other input images. Regarding the CK+ dataset, the best model obtained an accuracy of 97.77% when trained and validated on images without occlusions and 90.01% when the data contained facial occlusions. In the cross-dataset evaluation, the best neural network model obtained 44.13% of accuracy for the JAFFE dataset. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Embargado | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Emoção facial | por |
dc.subject | Classificação | por |
dc.subject | Explicabilidade | por |
dc.subject | Humano-centrado | por |
dc.subject | Oclusão facial | por |
dc.title | Um estudo da classificação de emoções em faces parcialmente oclusas | por |
dc.title.alternative | Study on emotion classification of partially occluded faces | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.degree.graduation | Engenharia de Controle e Automação | por |
dc.description.resumo | Com o aumento do uso de tecnologias ou máquinas inteligentes pelo usuário comum, a necessidade de criação de algoritmos e computadores humano-centrados urge atenção. Nesse sentido, a inferência do estado emocional do ser humano com o qual uma máquina interage é fundamental para o estabelecimento e regulação de conexões afetivas, possuindo aplicações em áreas que vão desde a educação até a de tecnologias assistivas. O uso de algoritmos inteligentes, entretanto, começa a ser regularizado e projetos como a General Data Protection Regulation implicam, para o usuário, o direito à explicação de inferências automatizadas. Este trabalho é enraizado nos dois tópicos citados: estimação de emoção a partir de imagens faciais e explicabilidade do algoritmo inteligente em questão. Para isso, foram comparadas arquiteturas de redes neurais com e sem mecanismos de atenção, treinadas separadamente em dois conjuntos de dados, com e sem a presença de oclusões faciais. Ao fim do estudo, constata-se que a adição de mecanismos de atenção contribui, na maioria dos casos, positivamente para a classificação de emoções. Ainda, o treino com presença de imagens com oclusões parece expandir o foco de uma rede neural em outras imagens de entrada. Para o conjunto CK+, o melhor modelo obteve 97,77% de acurácia quando treinado e validado em imagens sem tarjas e 90,01% quando os dados continham tarjas faciais. No teste de cruzamento de datasets, o melhor modelo de rede neural obteve 44,13% de acurácia para o conjunto JAFFE. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |