BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.15.18//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0300
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20220101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20230327T140000
DTEND;TZID=America/Sao_Paulo:20230327T150000
DTSTAMP:20260408T124504
CREATED:20230321T122434Z
LAST-MODIFIED:20230327T145402Z
UID:8148-1679925600-1679929200@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Nicolas Mastropasqua
DESCRIPTION:Título: Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento de expresiones faciales.\nDirector: Daniel Acevedo.\nJurados: Pablo Negri y Juan Manuel Pérez. \nResumen:\nHoy en día\, la búsqueda de soluciones ‘lightweight’ que logren resultados comparables a modelos de Deep Learning robustos ha recibido particular atención debido a su implementación factible en dispositivos móviles. Uno de los problemas que podrían aprovechar esta cualidad es el de Facial Expression Recognition (FER). Considerando que la mayoría de los datasets de expresiones faciales suelen estar anotados con emociones categóricas cuando en realidad la mayoría de las expresiones exhibidas en escenarios ‘in the wild’ ocurren como combinaciones o composición de emociones básicas\, se puede hacer uso de Label Distibution Learning (LDL) como estrategia para el entrenamiento.\nEn este trabajo se abordará el problema de FER a través de redes neuoronales livianas usando LDL en modelos de Deep Learning livianos. Bajo el supuesto de que las imágenes de expresiones faciales deberían tener una distribución de emoción similar a la de su vecindad en un espacio de etiquetas auxiliares adecuado\, como aquel determinado por la tarea de Action Unit Recognition\, se puede aprovechar la información de las distribuciones e incorporarla como parte la función de pérdida.\nConcretamente\, se estudiarán en profundidad dos arquitecturas ‘lightweight’ del Estado del arte\, EfficientFace y CERN\, y se analizará el impacto de distintos acercamientos para implementar LDL considerando datasets ‘in the wild’ como RAF-DB\, CAER-S\, FER+ y AffectNet.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-nicolas-mastropasqua/
LOCATION:Aula 1203
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR