A detecção de pontos fiduciais em faces vem sendo favorecida pelo rápido progresso em aprendizado de máquina, em particular as redes convolucionais. No entanto, a precisão da maioria dos detectores depende fortemente de uma enorme quantidade de dados anotados. Essa forte restrição em relação ao número de dados com anotação é um grande problema para algumas aplicações. Por exemplo, em casos de transferência de expressões para animação de personagens virtuais para jogos (em geral caracteres não humanos), nem sempre é possível encontrar uma quantidade de dados com anotações suficiente para o treinamento desses modelos. Neste trabalho, apresentamos uma abordagem de adaptação de domínio utilizando o aprendizado em duas etapas para detectar pontos fiduciais em faces humanas e animais. Avaliamos nosso método em três conjuntos de dados diferentes, compostos de diferentes faces de animais como gatos, cachorros e cavalos. Nossos experimentos mostram que nosso método supera o estado da arte utilizando poucos dados anotados para alavancar a detecção de pontos no domínio de interesse em faces não-humanas, reduzindo a demanda por grande volume de dados anotados.

Prof. Erickson Rangel do Nascimento – Advisor (DCC – UFMG)
Prof. Luiz Chaimowicz (DCC – UFMG)
Prof. William Robson Schwartz (DCC – UFMG)
Prof. Guillermo Cámara Chávez (DECOM – UFOP)