Abordagens em aprendizagem estatística para computar componentes tensoriais em subespaços multilineares com aplicações em reconhecimento de expressões e gênero em imagens de face

• Main Author: Filisbino, Tiene Andre
• Other Authors: Giraldi, Gilson Antonio
• Format: Others
• Language: Portuguese
• Published: Laboratório Nacional de Computação Científica 2015
• Subjects: Reconhecimento de padrões; Pattern perception; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::PROCESSAMENTO GRAFICO (GRAPHICS)
• Online Access: https://tede.lncc.br/handle/tede/213

Submitted by Maria Cristina ([e-mail]) on 2015-09-25T15:37:17Z No. of bitstreams: 1 Tiene-Dissettacao.pdf: 10301534 bytes, checksum: 1bbdd0329f315edc2564176156c20ee3 (MD5) === Approved for entry into archive by Maria Cristina ([e-mail]) on 2015-09-25T15:37:32Z (GMT) No. of bitstreams: 1 Tiene-Dissettacao.pdf: 10301534 bytes, checksum: 1bbdd0329f315edc2564176156c20ee3 (MD5) === Made available in DSpace on 2015-09-25T15:37:48Z (GMT). No. of bitstreams: 1 Tiene-Dissettacao.pdf: 10301534 bytes, checksum: 1bbdd0329f315edc2564176156c20ee3 (MD5) Previous issue date: 2015-03-26 === Conselho Nacional de Desenvolvimento Científico e Tecnológico === The main contributions of this dissertations are divided in two parts. The main goal of the first one is to investigate the efficiency of ranking techniques for tensor components in gender and facial expression (happiness versus neutral) experiments for classification and reconstruction problems in multilinear subspace learning. We will verify the consequences of ranking techniques in subspace learning through Fisher criterion, by estimating the covariance structure of the database and by using weights generated through separating hyperplanes, such as support vector machine (SVM) and linear discriminant analysis (LDA). The latter is named tensor discriminant principal component analysis (TDPCA). This analysis will be performed in the context of multilinear principal components analysis (MPCA) and concurrent subspace analysis (CSA), which are known techniques for multilinear subspace learning. The former follows the principal components analysis methodology, that centers the samples before the subspace learning computation while the latter performs the learning procedure using raw data. In the second part, we will analyze the influence of weights computed using SVM, LDA and Fisher criterion as a prior information to generate new tensor components in the context of MPCA. This new supervised subspace learning technique, named weighted MPCA (WMPCA), is combined with the ranking methods to re-orient weighted tensor components generating the WTDPCA subspaces. We apply the WMPCA and WTDPCA frameworks, for face image analysis. The results show the efficiency of WMPCA and WTDPCA subspaces to distinguish sample groups in classification tasks as well as some drawbacks between global and local patterns for reconstruction. We also address theoretical issues related to the connection between MPCA and CSA, as well as foundations in multilinear subspace learning problems; that is, the corresponding covariance structure and discriminant analysis. === As principais contribuições desta dissertação estão divididas em duas partes. O principal objetivo da primeira parte é investigar a eficiência das técnicas de ordenação para componentes tensoriais em experimentos de genero e expressão facial (felicidade contra neutra) para problemas de classificação e reconstrução em espaços multilineares. Nós verificaremos as consequências das técnicas de ordenação tensoriais via estrutura espectral dos dados, bem como usando pesos gerados através de hiperplanos de sepação, tais como SVM (support vector machine) e LDA (linear discriminant analysis), além de, do critério de Fisher. Esta análise foi realizada no contexto do MPCA (multilinear principal components analysis) e CSA (concurrent subspace analysis), as quais, são técnicas conhecidas na área de aprendizagem de subespaços multilineares. A primeira segue a metodologia do (PCA) (principal components analysis),que centraliza as amostras antes de computar o subespaço enquanto que a última realiza o procedimento de aprendizagem usando os dados brutos. Na segunda parte, nós analisamos a influência dos pesos computados usando SVM, LDA e critério de Fisher como uma informação a priori para gerar novas componentes tensoriais no contexto do MPCA. Esta nova técnica de aprendizagem supervisionada, que chamamos de WMPCA (weighted MPCA), é combinada com o método de ordenação para re-ordenar componentes tensoriais ponderadas computadas pelo WMPCA. Nós aplicamos a técnica combinada, denominada WTDPCA (weighted tensor discriminant principal components analysis), bem como o WMPCA, para análise de imagens de faces. Os resultados mostram a eficiência dos subespaços gerados para distinguir grupos de amostras em tarefas de classificação bem como questões inerentes a padrões globais e locais na reconstrução. Nós também abordamos aspectos teóricos relacionadas a conexão entre MPCA e CSA, bem como fundamentos relacionados a estrutura espectral e análise discriminante em problemas de aprendizagem multilineares.