Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Federal de São Carlos (UFSCar) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.contributor | Univ Florence | - |
Autor(es): dc.creator | Cardia Neto, Joao Baptista | - |
Autor(es): dc.creator | Marana, Aparecido Nilceu [UNESP] | - |
Autor(es): dc.creator | Ferrari, Claudio | - |
Autor(es): dc.creator | Berretti, Stefano | - |
Autor(es): dc.creator | Del Bimbo, Alberto | - |
Autor(es): dc.creator | IEEE | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:21:26Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:21:26Z | - |
Data de envio: dc.date.issued | 2020-12-10 | - |
Data de envio: dc.date.issued | 2020-12-10 | - |
Data de envio: dc.date.issued | 2019-01-01 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/197821 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/197821 | - |
Descrição: dc.description | In this paper, we propose a new framework for face recognition from depth images, which is both effective and efficient. It consists of two main stages: First, a hand-crafted low-level feature extractor is applied to the raw depth data of the face, thus extracting the corresponding descriptor images (DIs); Then, a not-so-deep (shallow) convolutional neural network (SCNN) has been designed that learns from the DIs. This architecture showed two main advantages over the direct application of deep-CNN (DCNN) to the depth images of the face: On the one hand, the DIs are capable of enriching the raw depth data, emphasizing relevant traits of the face, while reducing their acquisition noise. This resulted decisive in improving the learning capability of the network; On the other, the DIs capture low-level features of the face, thus playing the role for the SCNN as the first layers do in a DCNN architecture. In this way, the SCNN we have designed has much less layers and can be trained more easily and faster. Extensive experiments on low- and high-resolution depth face datasets confirmed us the above advantages, showing results that are comparable or superior to the state-of-the-art, using by far less training data, time, and memory occupancy of the network. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Sao Carlos Fed Univ UFSCAR, BR-13565905 Sao Carlos, SP, Brazil | - |
Descrição: dc.description | UNESP Sao Paulo State Univ, BR-17033360 Bauru, SP, Brazil | - |
Descrição: dc.description | Univ Florence, Media Integrat & Commun Ctr, Florence, Italy | - |
Descrição: dc.description | UNESP Sao Paulo State Univ, BR-17033360 Bauru, SP, Brazil | - |
Formato: dc.format | 7 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Ieee | - |
Relação: dc.relation | 2019 International Conference On Biometrics (icb) | - |
???dc.source???: dc.source | Web of Science | - |
Título: dc.title | Deep Learning from 3DLBP Descriptors for Depth Image Based Face Recognition | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: