Avaliação da Identificação do Sexo de Pessoas Não-Identificadas por meio de Radiografias Faciais com o uso de Métodos de Aprendizado de Máquina
Resumo
A identificação corresponde ao conjunto de procedimentos diversos para individualizar uma pessoa ou objeto. O processo de identificação de indivíduos por comparação manual radiográfica é um processo muito lento e que exige altos níveis de habilidade e precisão por parte do especialista humano. O emprego de sistemas computacionais para auxiliar o processo de identificação pode tornar esse processo mais rápido e prático. Assim, neste trabalho visa-se, com a utilização de medidas obtidas a partir de radiografias dos seios frontais humanos, utilizar métodos e técnicas de Aprendizado de Máquina para verificar se é possível estabelecer padrões entre os sexos, auxiliando assim, o processo de identificação, por meio de medidas propostas em literatura específica da área. Os resultados indicam que as medidas propostas são mais adequadas para especialização do que para generalização.Referências
Batista, G. E. A. P. A., Prati, R. C., and Monard, M. C. (2004). A study of the behavior of several methods for balancing machine learning training data. SIGKDD Explorations, 6(1):20–29.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning.
Camargo, J. R. (2000). Estimativa do sexo através das características radiográficas dos seios frontais. Technical report, Universidade Estadual de Campinas, Piracicaba.
Demsar, J. (2006). Statistical comparison of classifiers over multiple data sets. Journal of Machine Learning Research, 7:1–30.
Domingos, P. (1999). The role of occam’s razor in knowledge discovery. Data Mining and Knowledge Discovery, 3:409–25.
Hastie, T., Tibshirani, R., and Friedman, J. (2001). The elements of statistical learning, data mining, inference and prediction. Springer, Berlin.
Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In IJCAI, pages 1137–1145.
Lee, H. D., Monard, M. C., and Baranauskas, J. A. (2000). A practical approach for knowledge-driven constructive induction. Argentine Symposium on Artificial Intelligence, pages 71–85.
Mitchell, T. M. (1997). Machine Learning. McGraw–Hill.
Monard, M. C. and Baranauskas, J. A. (2003). Conceitos sobre Aprendizado de Máquina, chapter 4, pages 89–114. In [Rezende 2003].
Nassar, D. E. M. and Ammar, H. H. (2007). A neural network system for matching dental radiographs. Pattern Recognition, 40(1):65–79.
Oliveira, R. N., Daruge, E., Galvão, L. C. C., and Tumang, A. J. (1998). Contribuição da odontologia legal para a identificação post-mortem. 55(2):117–122.
Rezende, S. O., editor (2003). Sistemas Inteligentes. Manole.
Ribeiro, F. A. Q. (1993). Um método de padronização de medidas feitas em radiografias dos seios frontais para ser utilizado na identificação pessoal. Technical report, Universidade Federal de São Paulo, UNIFESP, São Paulo.
Sweet, D. (2001). Why a dentist for identification? Dent Clin North Am, 45(2):237–51.
Vanrell, J. P. (2002). Odontologia legal e antropologia forense. Guanabara Koogan, Rio de Janeiro, 1 edition.
Witten, I. H. and Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques, Second Edition. Morgan Kaufmann.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning.
Camargo, J. R. (2000). Estimativa do sexo através das características radiográficas dos seios frontais. Technical report, Universidade Estadual de Campinas, Piracicaba.
Demsar, J. (2006). Statistical comparison of classifiers over multiple data sets. Journal of Machine Learning Research, 7:1–30.
Domingos, P. (1999). The role of occam’s razor in knowledge discovery. Data Mining and Knowledge Discovery, 3:409–25.
Hastie, T., Tibshirani, R., and Friedman, J. (2001). The elements of statistical learning, data mining, inference and prediction. Springer, Berlin.
Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In IJCAI, pages 1137–1145.
Lee, H. D., Monard, M. C., and Baranauskas, J. A. (2000). A practical approach for knowledge-driven constructive induction. Argentine Symposium on Artificial Intelligence, pages 71–85.
Mitchell, T. M. (1997). Machine Learning. McGraw–Hill.
Monard, M. C. and Baranauskas, J. A. (2003). Conceitos sobre Aprendizado de Máquina, chapter 4, pages 89–114. In [Rezende 2003].
Nassar, D. E. M. and Ammar, H. H. (2007). A neural network system for matching dental radiographs. Pattern Recognition, 40(1):65–79.
Oliveira, R. N., Daruge, E., Galvão, L. C. C., and Tumang, A. J. (1998). Contribuição da odontologia legal para a identificação post-mortem. 55(2):117–122.
Rezende, S. O., editor (2003). Sistemas Inteligentes. Manole.
Ribeiro, F. A. Q. (1993). Um método de padronização de medidas feitas em radiografias dos seios frontais para ser utilizado na identificação pessoal. Technical report, Universidade Federal de São Paulo, UNIFESP, São Paulo.
Sweet, D. (2001). Why a dentist for identification? Dent Clin North Am, 45(2):237–51.
Vanrell, J. P. (2002). Odontologia legal e antropologia forense. Guanabara Koogan, Rio de Janeiro, 1 edition.
Witten, I. H. and Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques, Second Edition. Morgan Kaufmann.
Publicado
20/07/2010
Como Citar
OSHIRO, Thais Mayumi; CARVALHO, Suzana Papile Maciel; PERES, Arsenio Sales; TINÓS, Renato; SILVA, Ricardo Henrique Alves da; BARANAUSKAS, José Augusto.
Avaliação da Identificação do Sexo de Pessoas Não-Identificadas por meio de Radiografias Faciais com o uso de Métodos de Aprendizado de Máquina. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 10. , 2010, Belo Horizonte/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2010
.
p. 1673-1662.
ISSN 2763-8952.
