English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Tools annual

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Presents the access of premium content as premium feature

Premium Content

Global: Zendy Plus annual

Global: Zendy Free Plan

Tracking landmarks points of the human face is an essential step for the construction of interfaces capable of taking advantage of the communicative potential of facial expressions. Many strategies based on parametric models and regression algorithms with boosting can be applied to this problem. This paper proposes a solution based on the combined use of principal component analysis and regression trees. The main purpose of the presented method is to reduce the sensibility of the system to the presence of missing labels when trained with faulty datasets, by the adoption of corrective heuristics. On such cases, the proposed model achieves performance similar to the reference results, obtained by training on fault free datasets. Resumo. A detecção de pontos caracterı́sticos do rosto humano é essencial para a construção de interfaces capazes de tirar proveito do potencial comunicativo das expressões faciais. Nesse contexto, diversas estratégias baseadas em modelagens paramétricas de formas e algoritmos de regressão com ajuste progressivo podem ser aplicadas. Este trabalho propõe uma solução com uso combinado de modelos baseados em análise de componentes principais e árvores de regressão. A metodologia apresentada tem por objetivo reduzir a sensibilidade à presença de falhas de demarcação nas bases de dados utilizadas para treino, por meio da aplicação de heurı́sticas corretivas. Em tais casos, o modelo proposto apresenta desempenho similar ao resultado de referência, obtido no treino com amostras ı́ntegras. 1. Introdução No âmbito da comunicação humana não-verbalizada, a leitura visual de traços faciais representa papel de crı́tica importância. A expressividade da face torna a externalização de aspectos relacionados ao estado emocional, fı́sico e mental do interlocutor um processo natural e inconsciente, que nem sempre pode ocorrer com a mesma eficiência em outras formas de comunicação [Frith 2009]. Nesse contexto, elementos como a posição das sobrancelhas, lábios e olhos atuam como entidades comunicativas cujo potencial interativo pode se estender também às interfaces digitais. Assim, o uso da face como mecanismo de interação é capaz de prover experiências de uso ricas, que, além de promover intuitividade, dinamicidade e inclusividade, ampliam o espectro de interações oferecidos por modais tradicionais, como teclado e mouse [Jaimes e Sebe 2007]. Em essência, a detecção de traços faciais em imagens consiste em determinar a posição de pontos caracterı́sticos, fixamente demarcados sobre regiões especı́ficas do rosto. Metodologias estatı́sticas baseadas em modelos paramétricos foram exploradas na literatura para a detecção de pontos caracterı́sticos de estruturas orgânicas em imagens [Cootes et al. 1994]. Nessas abordagens, os perfis de nı́veis de cinza ao longo de linhas normais ao contorno das formas foram utilizados para calcular o conjunto de parâmetros ótimos. Alternativamente, o cálculo com base na textura da região de interesse também foi estudado em trabalhos posteriores [Cootes et al. 2001]. Parametrizações baseadas nos graus de liberdade determinantes na posição dos pontos da forma também foram adotadas para a detecção de poucos elementos caracterı́sticos da face [Dollár et al. 2010]. Para isso, foram empregados técnicas de regressão, nos quais os pontos alinham-se em suas respectivas localizações após sucessivos ajustes realizados sobre uma estimativa inicial para as variáveis envolvidas. A estratégia de alinhamento progressivo também foi utilizada em modelos não paramétricos, i.e., algoritmos nos quais o ajuste é feito diretamente sobre a posição dos pontos em vez de parâmetros descritivos [Cao et al. 2012]. O ajuste gradual das formas em cada estágio do processo pode ser obtido por meio do trabalho conjunto de árvores de regressão binárias que, embora tenham desempenho pouco satisfatório se aplicadas individualmente, podem alcançar boa acurácia quando usadas em sequência [Kazemi e Sullivan 2014]. Em geral, as técnicas baseadas em ajustes granulares alcançam performances superiores às de modelos paramétricos, uma vez que são capazes de considerar com maior rigor as sutilezas das formas, além de implicarem em custo computacional menor para treino e aplicação. Entretanto, o desempenho de tais abordagens tende a sofrer impacto negativo significativo quando os dados usados para treino apresentam falhas de demarcações, visto que sua capacidade de ajuste depende do correto posicionamento de todos os pontos. Demarcações faltantes podem advir de aspectos comuns à construção de bases para aplicações no mundo real, tais como falha humana, oclusão, ou mesmo imprecisões causadas pela presença de ruı́do. Nesse cenário, o uso da parametrização, aliado às estratégias de ajuste progressivo das técnicas de regressão, é capaz de produzir modelos menos sensı́veis à presença de falhas. Este trabalho propõe a detecção de pontos faciais caracterı́sticos por meio da regressão e ajuste progressivo de modelos paramétricos construı́dos pela análise de componentes principais. Cadeias de árvores treinadas pela diferença entre os nı́veis de intensidade de pontos da região da face são utilizadas como principal modalidade de regressão. A combinação das duas técnicas é feita com o intuito de incorporar os aspectos positivos de cada uma, bem como reduzir a sensibilidade do algoritmo construı́do à presença de falhas na base de treino. Ademais, para mitigar os efeitos de tais falhas, propõe-se o uso de uma heurı́stica corretiva baseada na interpolação linear dos pontos ausentes. A metodologia proposta é descrita em detalhes na Seção 2; enquanto os resultados, bem como as discussões sobre eles, são apresentados respectivamente nas Seções 3 e 4.

Facial Landmarks Detection on Faulty Datasets with Regression Trees and Principal Component Analysis Parametrization