Edson Kitani - Academia.edu (original) (raw)

Papers by Edson Kitani

2022 International Joint Conference on Neural Networks (IJCNN)

rio da FEI como parte dos requisitos necessá-rios para a obtenção do título de Mestre em Engenhar... more rio da FEI como parte dos requisitos necessá-rios para a obtenção do título de Mestre em Engenharia Elétrica. São Bernardo do Campo

In the topic of autonomous (electro) mobility and embedded vehicle electronics, object detection ... more In the topic of autonomous (electro) mobility and embedded vehicle electronics, object detection becomes inevitable. Yours importance is significant, because it covers other sectors such as manufacturing, agriculture and administrative processes. However, the image processing procedure suffers from the complexity of the training process, being necessary to pay attention to the hardware requirements. Given this, the paper is dedicated to presenting questions and manipulations of microprocessors, to make not only able to implement learning methods, but also effective, reaching higher levels of abstraction in low cost and high accessibility embedded systems. Thus, will be shown with the results generated, the best pre-trained deep learning algorithms available on the internet and effective processing techniques. To avoid using a graphics processing unit-GPU, a Raspberry Pi microprocessor will be used, due to the processing capacity, cost and other factors. That is, it will be possible to show the possibility or at least the limits, to work with elements responsible for vehicle autonomy, through easily accessible resources and reduced cost.

Computer Science & Information Technology (CS & IT), 2021

Computer vision plays a crucial role in ADAS security and navigation, as most systems are based o... more Computer vision plays a crucial role in ADAS security and navigation, as most systems are based on deep CNN architectures the computational resource to run a CNN algorithm is demanding. Therefore, the methods to speed up computation have become a relevant research issue. Even though several works on acceleration techniques found in the literature have not yet been achieved satisfactory results for embedded real-time system applications. This paper presents an alternative approach based on the Multilinear Feature Space (MFS) method resorting to transfer learning from large CNN architectures. The proposed method uses CNNs to generate feature maps, although it does not work as complexity reduction approach. When the training process ends, the generated maps are used to create vector feature space. We use this new vector space to make projections of any new sample in order to classify them. Our method, named MFS-CNN, uses the transfer learning from pre trained CNN to reduce the classifi...

International Journal of Artificial Intelligence & Applications, 2021

Computer vision plays a crucial role in Advanced Assistance Systems. Most computer vision systems... more Computer vision plays a crucial role in Advanced Assistance Systems. Most computer vision systems are based on Deep Convolutional Neural Networks (deep CNN) architectures. However, the high computational resource to run a CNN algorithm is demanding. Therefore, the methods to speed up computation have become a relevant research issue. Even though several works on architecture reduction found in the literaturehave not yet been achievedsatisfactory results for embedded real-time system applications. This paper presents an alternative approach based on the Multilinear Feature Space (MFS) method resorting to transfer learning from large CNN architectures. The proposed method uses CNNs to generate feature maps, although it does not work as complexity reduction approach. After the training process, the generated features maps are used to create vector feature space. We use this new vector space to make projections of any new sample to classify them. Our method, named AMFC, uses the transfe...

International Journal of Electrical Engineering Education

Para que estes agradecimentos descrevam o seu real valor é necessário antes contar a história de ... more Para que estes agradecimentos descrevam o seu real valor é necessário antes contar a história de como eu iniciei, cursei e conclui o meu mestrado e o papel de todas as pessoas que acompanharam este projeto. No entanto, isto não é possível pois demandaria pelo menos igual número de páginas desta dissertação. Portanto, eu pediria para os que lêem esta página que considerem que os agradecimentos representam muito mais do que escrito. Hoje, eu compreendo melhor a frase "o conhecimento transforma as pessoas". Este curso me abriu novos horizontes, me rejuvenesceu (apesar dos novos cabelos brancos) e tornou um sonho em realidade. Mas fundamentalmente, acredito que o agradecimento maior será a possibilidade de eu poder ajudar a transformar a vida de outras pessoas, assim como fizeram aqueles que transformaram a minha. Ao grande amigo, professor e orientador, na plenitude da palavra, Prof. Carlos Thomaz cuja participação neste trabalho foi de vital importância. Pelos ensinamentos, sugestões, correções, opiniões, reuniões, conselhos, e principalmente pela paciência que permitiram a realização desta obra. Aos professores Bianchi, Paulo e Flávio pelos ensinamentos, apoio, e oportunidades, aos amigos do mestrado, Nelson, Sergião, Rodolfo, Murilo, Luizão, Julião, Leandro e Marcel, pelo companheirismo e momentos de descontração ao longo do curso. Ao Leo pelo extenso trabalho no Banco de Faces da FEI, sem o qual esta obra não seria possível. À minha amada esposa Yara pela compreensão nas minhas ausências durante mais esta jornada, aos meus filhos Adriano e Gizele, por compreenderem a minha necessidade de realizar mais este sonho. Aos meus pais por compreenderem a minha impossibilidade de visitá-los às vezes aos finais de semana. Aos meus amigos e familiares por perdoarem as minhas eventuais ausências ou atrasos. À MAHLE por financiar parcialmente este estudo, a todos os amigos e companheiros da MAHLE, aos meus superiores, pelo apoio incondicional e profunda compreensão. Ao meu amigo Paulo da National Instruments por ter cedido uma versão do Labview Student, a minha prima Kelly por acessar através da USP alguns artigos raros, ao meu amigo Ricardo e ao seu colega Rondinelli, por também conseguirem alguns artigos do IEEE que muito enriqueceram este trabalho. Não posso me furtar de agradecer ao Prof. Dr. Mario Ricci (INPE), Prof. Luiz Fiorani (FEI) e ao Prof. Rômulo (UNIA) por acreditarem e me apoiarem na realização deste curso. À FEI por me acolher, abrir este espaço e principalmente por me fazer sentir em casa. Aos membros da banca, Prof. Roberto Marcondes e Prof. Paulo Santos, cujas sugestões, questionamentos e críticas durante a qualificação contribuíram muito para melhorar a qualidade deste trabalho. Finalmente agradeço a Adriana e Rejane da secretaria do mestrado, aos voluntários do Banco de Faces da FEI, ao pessoal da biblioteca e a todos aqueles que direta ou indiretamente colaboraram para a conclusão desta obra e que não foram diretamente citados. A todos, o meu muito obrigado!

quais nada do que realizei até hoje seria possível. AGRADECIMENTOS Ao Prof. Dr. Carlos Thomaz que... more quais nada do que realizei até hoje seria possível. AGRADECIMENTOS Ao Prof. Dr. Carlos Thomaz que desde o Mestrado sempre me incentivou a seguir em frente dando apoio, inspirações científicas e grandes colaborações. Ao Prof. Dr. Gilson Giraldi, por apresentar diferentes caminhos a partir das colaborações em vários trabalhos. Ao Prof. Dr. Emilio Del Moral Hernandez, meu orientador, que sempre acreditou e principalmente, me apoiou ao longo desses anos, me dando a oportunidade de explorar autonomamente os caminhos científicos. Entretanto, nos momentos necessários esteve sempre presente para corrigir, sugerir, orientar e mostrar outros pontos de vista. Os novos caminhos que ele apresentou me permitirão ir mais longe ainda. Muito obrigado Prof. Emilio! Aos amigos que eu fiz no Grupo ICONE, que apesar dos poucos momentos ao longo dos anos, deixaram muitas lembranças. Ao Dr. Itamar, à Dra Priscila, ao Dr. Antonio Timoszcuk, ao inquieto, mas sempre prestativo Dr. Humberto Sandmann, ao reservado, mas sempre presente Dr. Eduardo Akira e ao companheiro de vários cursos Msc. Julio Pumarica. Aos novos membros que conheci recentemente, porque agora sou veterano. À Raquel e à Msc. Elia Matsumoto. Ao amigo e colaborador que muito me ajudou durante as finalizações deste texto, Prof. Dr. Leandro Silva. Ao Prof. Dr. João Kogler que sempre apontou possibilidades e aberturas para discussões científicas para o meu aprimoramento. Ao Prof. Dr. Francisco Javier Ropero por compartilhar suas visões biológicas sobre vários temas e me mostrar a importância da vida. A todos os funcionários da Escola Politécnica, do LSI e Professores da POLI. Ao Prof. Dr. Armando Laganá e ao Prof. Marcos Fróes que me abriram novas oportunidades acadêmicas de maneira que eu possa dividir os meus conhecimentos. Aos amigos da Fatec, Prof. Dr. Alexsander Tressino e Prof. Carlos Morioka, às amigas e amigos da secretaria acadêmica e de serviços e aos amigos Professores da Fatec Santo André. À Mahle por apoiar e compreender as minhas ausências, aos amigos da Mahle e, principalmente ao Marcos Piccilli e Mauro Prado pelo apoio incondicional ao longo desses anos. À minha amada esposa Yara que se sacrificou muito com as minhas ausências para ver o meu sonho realizado! Aos meus filhos Gizele e Adriano, sem os quais nada disso teria sentido. Creio que eles sempre compreenderam o pai que eles têm, com muitos defeitos, mas que os ama muito. A toda minha família e amigos de longa data.

RESUMO - O reconhecimento de faces é uma tarefa complexa sob o ponto de vista computacional. A en... more RESUMO - O reconhecimento de faces é uma tarefa complexa sob o ponto de vista computacional. A enorme quantidade de informações fornecidas por uma imagem torna qualquer cálculo extremamente massivo sob o aspecto computacional e de ocupação de memória. Considere-se ainda que os objetos de interesse em uma imagem não possuem fundos e características comportadas. Logo, qualquer técnica para reconhecimento de faces deve levar em consideração esses dois aspectos, como obstáculos na obtenção de bons resultados nas análises. Este trabalho apresenta a técnica de análise de componentes principais (PCA) com aplicação na área de reconhecimento automático de faces, e fornece uma base teórica sobre esta técnica estatística para a compreensão do programa FACES.EXE desenvolvido pelos autores.

Several pattern recognition approaches have used linear classifiers and the corresponding separat... more Several pattern recognition approaches have used linear classifiers and the corresponding separating hyperplanes for classification tasks only. Few research studies have investigated the linear classifier's ability of not only separating two or more sample groups projected on a linear optimal ba- sis but also capturing discriminant information. This work extends the use of a linear classifier by extracting and visualising the discriminant information captured by the classifier, as well as evaluating its generalisation ability given a training set composed of face images. Resumo. Muitas abordagens que trabalham com classificadores lineares normalmente consideram o uso do hiperplano de separação apenas para fins de classificação. Poucos foram os trabalhos que estudaram a possibilidade de um classificador linear fornecer muito mais informações do que somente a base vetorial ótima que separa dois ou mais conjuntos distintos de observações. Este trabalho aborda uma extensão do uso de...

New Approaches to Characterization and Recognition of Faces, 2011

Advances in Intelligent Systems and Computing, 2013

Lecture Notes in Computer Science, 2012

ABSTRACT The Self Organizing Map (SOM) [1] proposed by Kohonen has proved to be remarkable in ter... more ABSTRACT The Self Organizing Map (SOM) [1] proposed by Kohonen has proved to be remarkable in terms of its range of applications. It can be used for high dimensional space visualization, pattern recognition, input space dimensionality reduction and for generating prototyping to extrapolate information. Basically, tasks conducted by the SOM method are closely related with input space mapping in order to preserve topological and metric relationship between samples. These maps are meant to create a low dimensional output representation of high dimensional input space. Although maps higher than two dimensions can be created by SOM, it is common to work with the limit of one or two dimensions. This work presents a methodology named SOMM (Self-Organized Manifold Mapping) that can be useful to discover structures and clusters of input dataset using the SOM map as a representation of data distribution structure.

2011 24th SIBGRAPI Conference on Graphics, Patterns, and Images Tutorials, 2011

ABSTRACT Face recognition is a multidisciplinary field that involves subjects in neuroscience, co... more ABSTRACT Face recognition is a multidisciplinary field that involves subjects in neuroscience, computer science and statistical learning. Some recent research in neuroscience has indicated that the ability of our memory relies on the capability of orthogonalizing (pattern separation) and completing (pattern prototyping) partial patterns in order to encode, store and recall information. From a computational viewpoint, pattern separation can be cast in the subspace learning area while pattern prototyping is closer to manifold learning methods. So, subspace (or manifold) learning techniques have a close biological inspiration and reasonability in terms of computational methods to possibly exploring and understanding the human behavior of recognizing faces. Therefore, the aim of this paper is threefold. Firstly, we review some theoretical aspects about perceptual and cognitive processes related to the mechanisms of pattern separation and pattern prototyping. Then, the paper presents the basic idea of manifold learning and its relationship with subspace learning with focus on the dimensionality reduction problem. Finally, we present the Discriminant Principal Component Analysis (DPCA) and the Self-Organized Manifold Mapping (SOMM) algorithm to exemplify respectively pattern separation and completion techniques. We show experimental results to demonstrate the effectiveness of DPCA and SOMM algorithms on well-framed face image analysis.

2009 XXII Brazilian Symposium on Computer Graphics and Image Processing, 2009

We have designed and implemented a multi-linear discriminant method of constructing and quantifyi... more We have designed and implemented a multi-linear discriminant method of constructing and quantifying statistically significant changes on human identity photographs. The method is based on a general multivariate two-stage linear framework that addresses the small sample size problem in high-dimensional spaces. Starting with a 2D face data set of well framed images, we determine a most characteristic direction of change by organizing the data according to the features of interest. Our goal here is to use all the facial image features simultaneously rather than separate models for texture and shape information. Our experiments show that the method does produce plausible unseen views for gender, facial expression and ageing changes. We believe that this method could be widely applied for normalization in face recognition and in identifying subjects after a lapse of time.

2006 19th Brazilian Symposium on Computer Graphics and Image Processing, 2006

Multivariate statistical approaches have played an important role of recognising face images and ... more Multivariate statistical approaches have played an important role of recognising face images and characterizing their differences. In this paper, we introduce the idea of using a two-stage separating hyper-plane, here called Statistical Discriminant Model (SDM), to interpret and reconstruct face images. Analogously to the well-known Active Appearance Model proposed by Cootes et. al, SDM requires a previous alignment of all the images to a common template to minimise variations that are not necessarily related to differences between the faces. However, instead of using landmarks or annotations on the images, SDM is based on the idea of using PCA to reduce the dimensionality of the original images and a maximum uncertainty linear classifier (MLDA) to characterise the most discriminant changes between the groups of images. The experimental results based on frontal face images indicate that the SDM approach provides an intuitive interpretation of the differences between groups, reconstructing characteristics that are very subjective in human beings, such as beauty and happiness.

Supervised statistical learning covers important mod- els like Support Vector Machines (SVM) and ... more Supervised statistical learning covers important mod- els like Support Vector Machines (SVM) and Linear Dis- criminant Analysis (LDA). In this paper we describe the idea of using the discriminant weights given by SVM and LDA separating hyperplanes to select the most discrim- inant features to separate sample groups. Our method, called here as Discriminant Feature Analysis (DFA), is not restricted

The 2013 International Joint Conference on Neural Networks (IJCNN), 2013

ABSTRACT Classification is an important data mining task used in decision-making processes. Techn... more ABSTRACT Classification is an important data mining task used in decision-making processes. Techniques such as Artificial Neural Networks (ANN) and Statistics are used to help in an automatic classification. In a previous work, we proposed a method for classification problems based on Self-Organizing Maps ANN (SOM) and k Nearest Neighbor (kNN) statistical classifier. The SOMkNN classifier, as we call this combination, is much faster than the traditional kNN and it keeps equivalent rates results. We propose a fine-tuning for this classifier here, which consists of a neuron relocation of the SOM map. The experiments presented compare SOMkNN with and without fine-tuning. Experiments using 8 databases, 6 of which are available in the UCI repository, the fine-tuning results are an improvement classification rate in 7 databases and in the last one the result is the same. The results indicate a trend of classification rate improvement with the application of the fine tuning technique. The gain in rate is approximately 1.2% and experiments were performed in order to correlate the results.