Aprendizado de características espaço-temporais em vídeos

Resumo

Atualmente, o método considerado como estado da arte para realizar a extração de características espaço-temporais a partir de vídeos baseia-se em pontos de interesse e trajetórias densas para aplicar extratores de características clássicos, como SIFT e HOG. Com a melhora na capacidade de processamento de CPUs e GPUs, combinada com o aumento da disponibilidade de bases de dados de imagens e vídeos, métodos de aprendizado de características, em especial de \textit{deep learning}, têm alcançado o estado da arte em diversas áreas de inteligência artificial e processamento de sinais. Apesar disso, esses métodos foram pouco explorados com relação à extração de características espaço-temporais a partir de vídeos. As pesquisas realizadas nessa área têm obtido resultados promissores, entretanto, elas tendem focar em uma aplicação específica, restringindo a utilização das características obtidas àquela aplicação. Além disso, diversos conceitos usados para projetar manualmente extratores de características ainda não foram testados em conjunto com algoritmos de aprendizado de características. Neste projeto, propõe-se o desenvolvimento de algoritmos de aprendizado de características espaço-temporais em vídeos. Espera-se que esses métodos consigam extrair representações capazes de descrever eventos que não são capturados a partir da análise de um único quadro, mas sim na evolução da cena. Pretende-se que essas características formem uma série temporal multidimensional, na qual a informação espacial esteja codificada. Para avaliar a qualidade da representação desenvolvida, técnicas de visualização e projeção serão utilizadas de forma a possibilitar a análise do espaço de parâmetros obtido. Além disso, buscar-se-á por métodos que permitam visualizar as características obtidas, de forma a facilitar sua relação com os eventos ocorridos nos vídeos. (AU)