Kur (Kambiyo) riski

Os experimentos executados no ˆambito desta disserta¸c˜ao dizem respeito `a cria¸c˜ao de uma s´erie de classificadores bin´arios, implementados por meio de redes neurais Percetron Multicamadas, treinadas com o algoritmo de Retropropaga¸c˜ao do Erro. O problema de reconhecimento de EFGs ´e modelado considerando que:

• O dado a ser reconhecido vem da sinaliza¸c˜ao de uma frase em Libras, contendo o uso de uma EFG de interesse, gravada em um v´ıdeo S que deve ser visto como uma sequˆencia de frames {f1, f2, ..., fn};

• Uma representa¸c˜ao vetorial V , contendo informa¸c˜oes extra´ıdas de cada um dos frames do v´ıdeo, ´e usada como entrada para um modelo classificador, podendo considerar uma janela de frames a fim de propiciar uma representa¸c˜ao espacial do tempo onde um movimento ocorre;

• O classificador analisa a informa¸c˜ao referente a cada um dos frames de entrada (´unico ou em janela), a fim de decidir se ele faz parte, ou n˜ao, do trecho de v´ıdeo no

qual a EFG de interesse ocorre;

• A resposta Y do classificador ∈ {+1, −1}, sendo que +1 significa que o frame pertence ao trecho de v´ıdeo no qual a EFG ocorre; e −1 significa que o frame n˜ao pertence ao trecho de v´ıdeo no qual a EFG ocorre.

Foram treinadas diferentes redes neurais considerando:

• Todas as possibilidades de vetores de caracter´ısticas apresentadas na Se¸c˜ao 5.2.2; • Varia¸c˜oes nos tamanhos de janelas, considerando o intervalo [1, Nmax], onde Nmax

corresponde `a metade do n´umero de frames no menor trecho de v´ıdeo que cont´em a EFG de interesse4_;

• Varia¸c˜oes nos parˆametros de treinamento da rede neural, considerando as seguintes varia¸c˜oes:

– algoritmo de aprendizado backpropagation.

– n´umero de neurˆonios na camada escondida, variando 5 para mais e para menos do resultado da raiz quadrada do tamanho do vetor de entrada.

– taxa de aprendizado iniciando em 1, sendo dividida por 2 at´e o valor 0,0156. – em testes preliminares, identificou-se que o n´umero de ´epocas n˜ao alterava o

resultado, ent˜ao utilizou-se o valor de 200 ´epocas.

• Varia¸c˜oes no modelo de treinamento e teste no que diz respeito `a sinaliza¸c˜ao das frases em Libras, compondo o seguinte conjunto de experimentos.

– Experimento 1: treinamento com sinalizador 1 teste com sinalizador 1. – Experimento 2: treinamento com sinalizador 2 teste com sinalizador 2. – Experimento 3: treinamento com sinalizador 1 teste com sinalizador 2. – Experimento 4: treinamento com sinalizador 2 teste com sinalizador 1.

– Experimento 5: treinamento com sinalizador 1 e 2 teste com sinalizador 1 e 2. Frases completas s˜ao usadas para o treinamento, valida¸c˜ao e testes dos classificadores. Uma vez que os frames devem ser apresentados ao classificador considerando a sequˆencia 4 _{Este parˆametro assume valores diferentes em cada experimento, considerando sempre o menor tempo} total para execu¸c˜ao de uma express˜ao nas frases e, portanto, evitando que uma “janela” seja grande o suficiente para conter frames que representem: n~ao-express~ao -- express~ao -- n~ao-express~ao

em que eles comp˜oem o v´ıdeo, a estrat´egia de uso das frases pode ser considerada adequada. Testes preliminares mostram que a apresenta¸c˜ao aleat´oria dos frames, durante as fases de treinamento, valida¸c˜ao e teste, gerava resultados surpreendentemente bons. No entanto, tais resultados eram obtidos principalmente com o uso de janelas, mostrando que a apresenta¸c˜ao aleat´oria em combina¸c˜ao com o uso das janelas estava, na realidade, propiciando que todo o v´ıdeo fosse apresentado para o classificador j´a na fase de treinamento.

5.4

Considera¸c˜oes Finais

Este cap´ıtulo apresentou a forma com que os dados foram adquiridos, organizados e apresentados `a rede neural, al´em de detalhar a combina¸c˜ao dos testes que foram realizados e o tratamento que essas informa¸c˜oes receberam com objetivo de eliminar ru´ıdos nos dados de entrada. Os resultados dos experimentos com classificadores bin´arios para reconhecimento de EFGs s˜ao apresentados no Cap´ıtulo 6.

6 Reconhecimento de Express˜oes Faciais Gramaticais: resul-

tados e an´alises

O presente cap´ıtulo visa apresentar os resultados finais encontrados na resolu¸c˜ao do problema aqui proposto. Para organizar a apresenta¸c˜ao dos resultados, este cap´ıtulo ´e dividido por express˜oes faciais, considerando an´alises particulares de cada express˜ao facial, e por fim, uma an´alise geral sobre as caracter´ısticas em comum das EFGs. Vale lembrar que foram realizados cinco experimentos em cada EF: sendo os experimentos 1 e 2 realizados, cada um, com um sinalizador diferente; experimento 3 realizado com os dados do primeiro sinalizador para treino e testado nos dados do segundo sinalizador; o oposto foi feito no experimento 4, utilizando os dados do sinalizador 2 para treino e testado com os dados do sinalizador 1; e por fim, no experimento 5, dados de ambos sinalizadores foram utilizados para teste e treino.

Os resultados s˜ao apresentados de forma padronizada para cada uma das EFGs. As an´alises dos resultados s˜ao realizadas sob dois pontos de vista: (a) o primeiro se refere `a an´alise do desempenho, em termos de F-score, dos cinco melhores classificadores; (b) o segundo diz respeito a uma an´alise do tipo de erro que os melhores classificadores, de cada experimento, cometeram. Ao final do cap´ıtulo ´e apresentado um resumo com as principais conclus˜oes obtidas no conjunto dos experimentos.

Para possibilitar a an´alise (a), s˜ao apresentadas tabelas em que cada experimento os F-scores dos cinco melhores classificadores obtidos s˜ao apresentados considerando a representa¸c˜ao sem janela e a representa¸c˜ao com janelas. Para esse ´ultimo caso, ´e apresentado o n´umero de frames (J) que comp˜oem a janela em que o resultado foi obtido. Tamb´em ´e mencionado na tabela o vetor de caracter´ıstica dos resultados obtidos.

Na an´alise (b) s˜ao apresentados os “erros de borda”, de forma que seja poss´ıvel verificar, com mais detalhes, o tipo de erro cometido pelo melhor classificador obtido em cada experimento. O “erro de borda”´e definido como erros de classifica¸c˜ao que aconten- cem dentro da faixa de transi¸c˜ao entre a ocorrˆencia da EFG sob an´alise e a sua “n˜ao ocorrˆencia”(aqui chamada de fase de “n˜ao-express˜ao”). Neste trabalho foi arbitrada uma faixa de seis frames como trecho de borda (ou trecho de transi¸c˜ao), sendo que esse trecho corresponde a trˆes frames antes do in´ıcio da ocorrˆencia da express˜ao e trˆes trechos ap´os. Como exemplo do procedimento adotado para an´alise de erros de borda, considere a sequˆencia de r´otulos atribu´ıda pelo rotulador humano para uma sequˆencia de frames:

00001111. Se, como resposta do modelo neural aplicado `a mesma sequˆencia de frames, obtem-se 01111111 ou 00000001, ser˜ao identificados trˆes erros de borda para cada caso. Os trˆes primeiros r´otulos positivos da primeira sequˆencia, e os trˆes ´ultimos r´otulos negativos na segunda sequˆencia.

As tabelas que trazem os detalhes sobre os erros de borda mostram as seguin- tes informa¸c˜oes para o melhor classificador obtido em cada experimento, considerando representa¸c˜ao sem janela e com janela1_:

• F-score obtido pelo classificador2_;

• erro total cometido pelo classificador, em termos de n´umero de frames classificados erroneamente e a porcentagem que ela representa do total de frames apresentados no teste do modelo;

• erros na borda, em termos de n´umero de frames de borda classificados erroneamente e quanto isso representa do total de frames classificadores errados no teste;

• quantidade de frames de EFGs classificadas como “n˜ao-express˜ao”;

• quantidade absoluta e relativa de frames de EFGs classificadas como “n˜ao-express˜ao” dentro do trecho de borda;

• quantidade de frames de “n˜ao-express˜ao” classificadas como EFGs;

• quantidade absoluta e relativa de frames de “n˜ao-express˜ao” classificadas como EFGs dentro do trecho de borda.

Erros de borda podem ser considerados, at´e um limite (arbitr´ario), como erros admiss´ıveis, uma vez que o aprendizado do modelo neural est´a baseado em uma rotula¸c˜ao fornecida por um rotulador humano, ou seja, a rotula¸c˜ao est´a sujeita a imprecis˜oes no que diz respeito `a tomada de decis˜ao sobre o frame exato onde uma EFG de fato se estabeleceu.