Durante a execuc¸˜ao deste projeto, para os treinamentos voltados para a identificac¸˜ao de idade, o processo de fine tuning da rede se mostrou uma sa´ıda muito satisfat´oria para aumentar a precis˜ao classificat´oria dos experimentos. Sendo assim, em caso de tentar aumentar ainda mais a capacidade de reconhecimento da rede, testar outras formas de afin´a-la pode ser uma direc¸˜ao promissora. Ainda como alternativa, considerar cada idade ´unica como sendo uma classe a ser classificada pela rede neural. Mais especificamente, realizar a separac¸˜ao das 116 poss´ıveis classes geradas utilizando o UTK Face e balanceando conforme o n´umero de amostras desejadas. Por fim, direcionar o treinamento da rede neural para um problema de regress˜ao ao inv´es de classificac¸˜ao e comparar resultados com os obtidos neste projeto.
Para o problema de segmentac¸˜ao de pele, ao final dos testes, o principal fator considerado respons´avel por apresentar resultados insatisfat´orios foi o modo com que as bases de dados foram trabalhadas. Para o SFA Skin, apenas amostras faciais n˜ao foram suficientes para generalizar todos os casos de pele em cena. Quanto ao Pratheepan, sua baixa quantidade
de amostras forc¸ou o uso abusivo de data augmentation. Uma poss´ıvel nova direc¸˜ao ´e buscar ou criar um conjunto de dados com um balanceamento maior em termos de representatividade de pele e n˜ao pele e com um n´umero total de imagens que n˜ao precisem de repetic¸˜oes modificadas. Ao final, aplicar na mesma rede utilizada neste projeto ou buscar novas estruturas capazes de realizar segmentac¸˜ao bin´aria, aplicando ajuste fino em casos de necessidade.
Por fim, existe uma possibilidade de realizar a fus˜ao das abordagens experimentais propostas neste trabalho. N˜ao somente o deep learning oferece capacidade de reconhecimento em vis˜ao computacional. Procedimentos nativos de processamento de imagens digitais tamb´em s˜ao capazes de reconhecer padr˜oes ou objetos. A partir dessas t´ecnicas, seria muito interessante realizar a identificac¸˜ao da parte que corresponde ao ser humano em cena e baseado no retˆangulo englobante identificar as idades correspondentes e analisar a quantidade de pele exposta utilizando segmentac¸˜ao. Caso essa fus˜ao apresente m´etricas cr´ıveis apoiadas por peritos criminais, os resultados podem ser muito relevantes para o avanc¸o dessa ´area de estudo.
REFER ˆENCIAS
ACADEMY, D. S. Deep Learning Ebook. 2018. Dispon´ıvel em:
<http://deeplearningbook.com.br/>.
ALPAYDIN, E. Introduction to Machine Learning (Adaptive Computation and Machine Learning). [S.l.]: The MIT Press, 2004. ISBN 0262012111.
ANAND, A. et al. Age estimation based on face images and pre-trained convolutional neural networks. 2017 IEEE Symposium Series on Computational Intelligence (SSCI), 2017.
BASSIS, S.; ESPOSITO, A.; MORABITO, F. C. Advances in Neural Networks: Computational and Theoretical Issues. 1st. ed. [S.l.]: Springer Publishing Company, Incorporated, 2016. ISBN 3319383345, 9783319383347.
BELL, J. Machine Learning: Hands-On for Developers and Technical Professionals. Indianapolis: John Wiley & Sons, 2015.
BRASIL. Lei no 2.848, de 7 de Dezembro de 1940. C´odigo Penal. Bras´ılia, DF, 1940. Dispon´ıvel em: <http://www.planalto.gov.br/ccivil 03/decreto-lei/del2848compilado.htm>.
BRASIL. Lei no 8.069, de 13 de Julho de 1990. Disp˜oe sobre o Estatuto da Crianc¸a e do Adolescente e d´a outras providˆencias. Di´ario Oficial [da] Rep´ublica Federativa do Brasil, Bras´ılia, DF, 1990. Dispon´ıvel em: <http://www.planalto.gov.br/ccivil 03/LEIS/L8069.htm>.
BUDUMA, N.; LACASCIO, N. Fundamentals of Deep Learning. [S.l.]: O’Reilly Media, 2017.
CAIADO, F. B.; CAIADO, M. Combate `a pornografia infantojuvenil com aperfeic¸oamentos na identificac¸˜ao de suspeitos e na detecc¸˜ao de arquivos de interesse. Minist´erio P´ublico Federal, Bras´ılia, Brasil, 2018.
CASATI, J. P. B.; MORAES, D. R.; RODRIGUES, E. L. L. Sfa: A human skin image database based on feret and ar facial images. IX Workshop de Vis˜ao Computacional, Rio de Janeiro, RJ, BRA, 2013.
CHOW, T. W. S.; CHO, S.-Y. Neural Networks and Computing: Learning algorithms and applications. Covent Garden: Imperial College Press, 2007.
COHEN, J. A coefficient of agreement for nominal scales. Educational and Psychological Measurement, v. 20, n. 1, p. 37–46, 1960.
ESTAT´ıSTICA, I. B. de Geografia e. PNAD Cont´ınua TIC 2017: Internet chega a trˆes em cada quatro domic´ılios do pa´ıs. 2018. Dispon´ıvel em: <https://agenciadenoticias.ibge.gov.br/agencia-sala-de-imprensa/2013-agencia-de-
noticias/releases/23445-pnad-continua-tic-2017-internet-chega-a-tres-em-cada-quatro- domicilios-do-pais>.
FILHO, O. M.; NETO, H. V. Processamento digital de imagens. [S.l.]: BRASPORT, 1999. ISBN 9788574520094.
GONZALEZ, R. C.; WOODS, R. E. Processamento Digital De Imagens. 3aedic¸˜ao. ed. [S.l.]: ADDISON WESLEY BRA, 2009. ISBN 9788576054016.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. [S.l.]: MIT Press, 2016. http://www.deeplearningbook.org.
GROSAN, C.; ABRAHAM, A. Intelligent Systems: A modern approach. [S.l.]: Springer- Verlag Berlin Heidelberg, 2011.
HAMADA, F. M.; SANCHEZ, C. J. P. Abuso Sexual Infantil: Normatizac¸˜ao, Internet e Pedofilia. Encontro de Iniciac¸˜ao Cient´ıfica (ETIC), v. 3, n. 3, 2007.
HAYKIN, S. Neural networks and learning machines. 3a edic¸˜ao. ed. New Jersey: Pearson Education, 2008.
HE, K. et al. Deep residual learning for image recognition. CoRR, abs/1512.03385, 2015. Dispon´ıvel em: <http://arxiv.org/abs/1512.03385>.
HINTON, G. E. et al. Improving neural networks by preventing co-adaptation of feature detectors. CoRR, abs/1207.0580, 2012. Cite arxiv:1207.0580. Dispon´ıvel em: <http://arxiv.org/abs/1207.0580>.
HOPE, T.; RESHEFF, Y. S.; LIEDER, I. Learning TensorFlow: A Guide to Building Deep Learning Systems. 1st. ed. [S.l.]: O’Reilly Media, Inc., 2017. ISBN 1491978511, 9781491978511.
HUANG, G. et al. Densely connected convolutional networks. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), p. 2261–2269, 2016.
KIM, Y.; HWANG, I.; CHO, N. I. Convolutional neural networks and training strategies for skin detection. 2017 IEEE International Conference on Image Processing (ICIP), p. 3919–3923, 2017.
KINGMA, D. P.; BA, J. Adam: A Method for Stochastic Optimization. 2014. Dispon´ıvel em: <http://arxiv.org/abs/1412.6980>.
KRIZHEVSKY, A.; SUTSKEVER, I.; HINTON, G. E. Imagenet classification with deep convolutional neural networks. In: PEREIRA, F. et al. (Ed.). Advances in Neural Information Processing Systems 25. Curran Associates, Inc., 2012. p. 1097– 1105. Dispon´ıvel em: <http://papers.nips.cc/paper/4824-imagenet-classification-with-deep- convolutional-neural-networks.pdf>.
LANDIS, J. R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, International Biometric Society, v. 33, n. 1, 1977.
MA, C.-H.; SHIH, H.-C. Human skin segmentation using fully convolutional neural networks. 2018 IEEE 7th Global Conference on Consumer Electronics (GCCE), p. 168–170, 2018.
MACHADO, T. J. X. Cibercrime e o crime no mundo inform´atico. Universidade Fernando Pessoa, Porto, Portugal, 2017.
MASKO, D.; HENSMAN, P. The impact of imbalanced training data for convolutional neural networks. In: . [S.l.: s.n.], 2015.
MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, v. 5, n. 4, p. 115–133, Dec 1943. ISSN 1522-9602. Dispon´ıvel em: <https://doi.org/10.1007/BF02478259>.
MITCHELL, T. Machine Learning. McGraw-Hill, 1997. (McGraw-
Hill International Editions). ISBN 9780071154673. Dispon´ıvel em: <https://books.google.com.br/books?id=EoYBngEACAAJ>.
OTSU, N. A Threshold Selection Method from Gray-level Histograms. IEEE Transactions on Systems, Man and Cybernetics, v. 9, n. 1, p. 62–66, 1979. Dispon´ıvel em: <http://dx.doi.org/10.1109/TSMC.1979.4310076>.
PATTERSON, J.; GIBSON, A. Deep Learning. Sebastopol: O’Reilly Media, 2017.
PEDRINI, H.; SCHWARTZ, W. R. An´alise de imagens digitais: princ´ıpios, algoritmos e aplicac¸˜oes. S˜ao Paulo: THOMSON PIONEIRA, 2008. ISBN 9788522105953.
POLASTRO, M. de C.; ELEUTERIO da P. M. S. Nudetective: A forensic tool to help combat child pornography through automatic nudity detection. In: Proceedings of the 2010 Workshops on Database and Expert Systems Applications. Washington, DC, USA: IEEE Computer Society, 2010. (DEXA ’10), p. 349–353. ISBN 978-0-7695-4174-7. Dispon´ıvel em: <http://dx.doi.org/10.1109/DEXA.2010.74>.
PONTI, M. A.; COSTA, G. B. P. da. Como funciona o deep learning. CoRR, abs/1806.07908, 2018. Dispon´ıvel em: <http://arxiv.org/abs/1806.07908>.
PYTHON. Bem vindo ao Python.org. 2018. Dispon´ıvel em: <https://www.python.org/>.
RAMOS, D. Pedofilia. Revista Pericia Federal, 2018.
RASCHKA, S. Python Machine Learning. [S.l.]: Packt Publishing, 2015. ISBN 1783555130, 9781783555130.
RODR´ıGUEZ, P. et al. Age and gender recognition in the wild with deep attention. Pattern Recogn., Elsevier Science Inc., New York, NY, USA, v. 72, n. C, p. 563–571, dez. 2017. ISSN 0031-3203. Dispon´ıvel em: <https://doi.org/10.1016/j.patcog.2017.06.028>.
RONNEBERGER, O.; P.FISCHER; BROX, T. U-net: Convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer-Assisted Intervention (MICCAI). Springer, 2015. (LNCS, v. 9351), p. 234–241. Dispon´ıvel em: <http://lmb.informatik.uni-freiburg.de/Publications/2015/RFB15a>.
ROTHE, R.; TIMOFTE, R.; GOOL, L. V. Deep expectation of real and apparent age from a single image without facial landmarks. Int. J. Comput. Vision, Kluwer Academic Publishers, Hingham, MA, USA, v. 126, n. 2-4, p. 144–157, 2018. Dispon´ıvel em: <https://doi.org/10.1007/s11263-016-0940-3>.
RUSSAKOVSKY, O. et al. ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision (IJCV), v. 115, n. 3, p. 211–252, 2015.
RUSSEL, S. J.; NORVIG, P. Artificial Intelligence: A modern approach. 3a edic¸˜ao. ed. New Jersey: Pearson Education, 2010.
SILVA, R. M.; ALMEIDA, T. A.; YAMANAKI, A. An´alise de desempenho de redes neurais artificiais para classificac¸˜ao autom´atica de web spam. Revista Brasileira de Computac¸˜ao Aplicada, Passo Fundo, Brasil, 2012.
SUAREZ, O. D. et al. OpenCV Essentials. [S.l.]: Packt Publishing, 2014. ISBN 1783984244, 9781783984244.
SZEGEDY, C. et al. Going deeper with convolutions. CoRR, abs/1409.4842, 2014. Dispon´ıvel em: <http://arxiv.org/abs/1409.4842>.
TensorFlow. An open source machine learning framework for everyone. 2018. Dispon´ıvel em: <https://www.tensorflow.org/>.
YAKUBOVSKIY, P. Segmentation Models. GitHub, 2019. Dispon´ıvel em: <https://github.com/qubvel/segmentation models>.