Engenharia Elétrica
URI permanente desta comunidadehttps://repositorio.fei.edu.br/handle/FEI/21
Navegar
5 resultados
Resultados da Pesquisa
- Segmentação de faces parcialmente ocluídas para avaliação da expressão de dor neonatal(2024) Domingues, Pedro Henrique Silvaavaliação e o tratamento corretos da dor são procedimentos clínicos importantes para o desenvolvimento saudável de recém-nascidos (RNs). Visto que RNs ainda não desenvolveram a capacidade de expressão verbal, a identificação da dor através de expressões faciais visuais é o meio alternativo mais comum para este caso, utilizada por pais e por profissionais da saúde, para estes últimos baseados em escalas como a Neonatal Facial Coding System (NFCS). Desse modo, a automatização do uso dessas escalas utilizando imagens de face é alvo de estudos recentes. As estratégias desenvolvidas utilizam redes neurais, modelos de classificação ou a medição de distâncias entre partes da face. No entanto, alguns equipamentos médicos utilizados por estes RNs dificultam a análise automática da dor através de imagens, pois obstruem parte da face, dificultando a detecção facial e a localização de pontos chave. Diante disso, o objetivo desta dissertação foi estudar a segmentação facial de RNs, identificando o melhor método computacional para casos com e sem a presença de oclusão parcial da face e verificando a influência desta segmentação como uma ferramenta para remoção de ruído e melhora de desempenho de modelos de classificação da expressão de dor. As oclusões aqui estudadas provêm de imagens de UTIs neonatais (UTINs), nas quais equipamentos médicos como sonda enteral ou gástrica, intubação orotraqueal e óculos de fototerapia muitas vezes impossibilitam a visualização completa de partes importantes da face como olhos e boca. Três modelos de segmentação foram testados em cenários com e sem a presença dessas oclusões e o melhor foi utilizado para segmentar faces de RNs e classificação da expressão de dor com quatro diferentes classificadores baseados em redes neurais. O SAM (Segment Anything Model) foi considerado o melhor modelo para segmentação, com alto coeficiente Dice (>0,91). No entanto, utilizar o SAM para remoção de ruidos como plano de fundo e oclusões não gerou melhora significativa no desempenho dos classificadores, que apresentaram em média 66% de acurácia em casos com oclusão
- Interpretação e reconhecimento de padrões para avaliação de dor em imagens faciais de recém-nascidos(2020) Silva, P. A. S. O.Analisar a dor em recém-nascidos se tornou um estudo de relevância nas últimas décadas dada a impossibilidade de se conseguir indicar objetivamente qual a localização e intensidade deste fenômeno doloroso. Ao longo dos últimos anos, métodos de detecção e avaliação de dor foram capazes de classificar dor através de imagens faciais de bebês recém-nascidos, utilizando modelos estatísticos, aprendizado de máquina e aprendizado profundo. Neste contexto, há interesse dos profissionais da saúde em terem disponível ferramentas computacionais capazes de explicitar não somente o nível potencial de dor experienciado pelo recém-nascido, mas também as regiões faciais de maior relevância para o fenômeno dor. O objetivo desta dissertação é desenvolver um arcabouço computacional de interpretação e reconhecimento de padrões em imagens de faces para avaliação automática de dor em bebês a termo. Mais especificamente, este trabalho concentra-se na investigação, implementação e integração de técnicas de detecção, segmentação, normalização espacial e classificação de imagens de faces baseadas em informações extraídas por mineração estatística de dados. Por fim, o arcabouço desenvolvido aqui, avaliado com uma taxa de acerto (limite superior) de aproximadamente 96% para a base COPE e 77% para a base UNIFESP, mostra que é possível não somente classificar estatisticamente dor e não-dor através de imagens de faces, mas também evidenciar regiões faciais discriminantes para o fenômeno dor, auxiliando na construção de escalas pediátricas de dor mais gerais e assertivas
Dissertação Análise multivariada de imagens frontais de face normalizadas especialmente(2015) Xavier, I. R. R.No contexto de reconhecimento automático ou percepção cognitiva de faces, uma etapa importante é o alinhamento das imagens de face de entrada a um atlas de referência para posterior extração multivariada de características. Para alinhar duas imagens de face, pode-se utilizar transformações rígidas e afins que corrigem variações de rotação e escala, porém deformações devido a expressões faciais, por exemplo, podem ser tanto globais quanto locais e de natureza não-linear ou não-rígida. Portanto, em situações desse tipo precisa-se de um método de alinhamento que possa lidar com tais variações. Nas últimas décadas, desenvolveu-se uma técnica de deformação de objetos sólidos, denominada em inglês de Free-Form Deformation, que foi adaptada primeiramente para normalização espacial de imagens médicas e mais recentemente para imagens frontais de face. Paralelamente, técnicas estatísticas de análise multivariada têm sido aplicadas ao contexto de imagens de face, tais como Análise de Componentes Principais (PCA, Principal Components Analysis) e Análise de Discriminantes Lineares (LDA, Linear Discriminant Analysis), para modelagem, reconstrução e interpretação desses padrões. Este estudo teve como objetivo realizar uma análise multivariada de imagens frontais de face normalizadas espacialmente com relação a um atlas de referência. Os resultados mostram que esta abordagem produziu imagens artificiais de faces humanas com realismo promissor, tanto nas direções de maior variação obtidas pelo PCA quanto nas direções mais discriminantes obtidas pelo LDA- Segmentação de imagens com baixa profundidade de campo para aplicações em tempo real(2016) Luca, F. P.Com o objetivo de tornar dispositivos parcial ou completamente autônomos, hoje é imperativo extrair informações relevantes de uma vasta quantidade de dados disponíveis e com recursos computacionais adequados para operação em tempo real. Nos últimos anos, se tornou comum o processamento de imagens como uma solução possível para esse problema. Além disso, o uso de análise de imagens imita em partes a referência de sucesso em muitos casos práticos: a visão humana. Reconhecimento de imagens pode ser usado com altas taxas de acurácia quando o objeto de interesse ou o ambiente são bem conhecidos. Porém, em ambientes pouco controláveis, como espaços abertos urbanos, onde existe uma grande quantidade e variedade de artefatos e estímulos (informação), a separação ou segmentação do objeto de interesse (foreground) do restante da imagem background) é ainda uma ação desafiadora cientificamente. Uma forma possível de abordar esse problema é por meio de alterações na forma de captura das imagens, possibilitando que mais informação relevante esteja disponível para os algoritmos de segmentação. Uma abordagem atual é o uso de imagens com baixa profundidade de campo, que, analogamente à percepção humana, pode discriminar o objeto de interesse do restante da cena através de uma parte principal de atenção visual (foco). Essa dissertação propõe o uso de duas imagens para análise, sendo uma delas com baixa profundidade de campo (pequena região em foco) e a outra com alta profundidade de campo (região maior em foco). Neste contexto, descreve-se e implementa-se uma nova técnica para segmentação de imagens, com resultados promissores de acurácia e tempo de processamento, sobressaindo-se às demais técnicas de segmentação baseadas em foco já existentes e discutidas ao longo do trabalho.
- Normalização espacial não rígida de imagens assistida por metamodelos(2018) Dal Fabbro, D. A.Classicamente aplicados em simulações computacionais como CFD (Computational Fluid Dynamics) e FEM (Finite Element Method), metamodelos para otimização trouxeram resultados relevantes para aproximar a função objetivo no espaço de busca e resolver problemas em que o cálculo da função objetivo exige elevados recursos computacionais. Recentemente, com a evolução de novos algoritmos de aprendizado de máquina e reconhecimento de padrões, esta técnica também mostrou-se bem sucedida para acelerar o processo de ajuste dos hiperparâmetros de modelos que antes dependiam de um conhecimento profundo sobre os seus fundamentos matemáticos ou da busca exaustiva pelos parâmetros ótimos. Neste contexto, esta dissertação propõe uma metodologia para aplicação de otimização assistida por metamodelos na área de visão computacional, mais especificamente em normalização espacial não rígida de imagens. Este tópico de pesquisa tem sido pouco explorado pela literatura de otimização assistida por metamodelos, além de ser computacionalmente complexo devido às múltiplas opções de ajuste dos parâmetros. Denominada aqui de Normalização Espacial Não Rígida de Imagens Assistida por Metamodelos, a metodologia proposta descreve uma nova métrica que leva em consideração o compromisso em deformar os elementos geométricos da imagem preservando suas características estatísticas principais. Este estudo descreve também duas taxonomias, uma metodologia proposta. Após os experimentos em três bases de imagens distintas, os resultados obtidos mostram que a qualidade da normalização espacial não rígida pode ser otimizada por meio da métrica proposta, e o metamodelo construído auxilia tanto no processo de otimização como na compreensão maior do comportamento da função objetivo no espaço de busca.