Title: Explorando Limitações das Redes Convolucionais na Seleção de Testes Binários

A extração de características é uma etapa fundamental em sistemas de Visão Computacional, na qual os dados contidos nos pixels são transformados em feature vector robustos a variações de iluminação, rotação e escala. Durante muitos anos algoritmos baseados em histogramas de orientação de gradientes, como SIFT, HOG e SURF, foram os mais eficientes mas possuem custo computacional elevado. Para contornar este problema alguns algoritmos que geram vetores binários foram criados, como BRIEF, ORB, BRISK e FREAK. Cada um deles propõe uma distribuição espacial diferente de testes binários e o principal objetivo é manter um custo computacional baixo. Este trabalho investiga o problema de seleção de testes binários e apresenta algumas características que limitam a busca de soluções através de Redes Neurais Convolucionais (CNN). Experimentos realizados com uma Rede Siamesa mostram a presença de mínimos locais e um outro problema definido como Componentes Incorretas do Gradiente.

Prof. Erickson Rangel do Nascimento – Orientador (DCC – UFMG)
Prof. Mario Fernando Montenegro Campos (DCC – UFMG)
Prof. Flávio Luis Cardeal Pádua (DECOM- CEFET/MG)
Dr. Renato José Martins (Pós-Doc DCC – UFMG)