Análise de viés e variância em algoritmo para reconhecimento de expressões faciais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorHart, Rogerio Costa-
Autor(es): dc.contributorFernandes, Leandro Augusto Frata-
Autor(es): dc.creatorMedeiros, Caio de Andrade-
Data de aceite: dc.date.accessioned2024-07-11T18:01:13Z-
Data de disponibilização: dc.date.available2024-07-11T18:01:13Z-
Data de envio: dc.date.issued2023-12-06-
Data de envio: dc.date.issued2023-12-06-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/31357-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/761965-
Descrição: dc.descriptionOs algoritmos de reconhecimento facial em imagens e vídeos podem conter problemas relacionados ao viés e à variância que são provocados pela falta ou pelo excesso de imagens de treinamento. Para que possam aprender de forma satisfatória a detectar as classes de imagens de interesse que são treinados para classificar, os algoritmos de Aprendizado de Máquina podem utilizar mais imagens de treino ou mais iterações sobre estas imagens, assim seu viés pode ser reduzido, mas a consequência disso pode ser um aumento na sua variância à medida que este modelo se torna superajustado. Existem alguns métodos e métricas para identificar e resolver estes problemas, e ao ajustar um modelo, o principal objetivo de um desenvolvedor é encontrar um ponto de equilíbrio de confiança para que o modelo possa ser aplicado a novas detecções. O presente trabalho tem como objetivo principal avaliar se um algoritmo de reconhecimento de expressões faciais em imagens e vídeos, baseado em Redes Neurais, pode conter problemas relacionados ao viés e à variância, provocados pela falta ou pelo excesso de imagens de treinamento, e se estes problemas podem ser resolvidos utilizando técnicas que encontrem um ponto ideal onde este modelo possui uma melhor acurácia-
Descrição: dc.descriptionFacial recognition algorithms on images and videos can have problems related to bias and variance that are caused by too little or too many training images. So that it can satisfactorily learn to detect the classes of images of interest that are trained to classify, Machine Learning algorithms can use more training images or more iterations over these images, so their bias can be reduced, but the consequence this could be an increase in your variance as this model becomes overfit. There are some methods and metrics to identify and solve these problems, and when tuning a model, a developer's main goal is to find a confidence break-even point so that the model can be applied to new detections. The main objective of this work is to evaluate whether an algorithm for recognizing facial expressions in images and videos, based on Neural Networks, may contain problems related to bias and variance, caused by the lack or excess of training images, and whether these problems can be solved using techniques that find an ideal point where this model has a better accuracy-
Descrição: dc.description56 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectReconhecimento de expressão facial-
Palavras-chave: dc.subjectViés e variância-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectReconhecimento facial-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectFacial expression recognition-
Palavras-chave: dc.subjectBias and variance-
Título: dc.titleAnálise de viés e variância em algoritmo para reconhecimento de expressões faciais-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.