@InProceedings{FerreiraPovo:2017:ReNeAr,
               author = "Ferreira, Matheus da Silva and Povoa, Lucas Venezian",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and 
                         {Universidade Federal de S{\~a}o Paulo (UNIFESP)}",
                title = "Rede Neural Artificial aplicada ao reconhecimento de 
                         configura{\c{c}}{\~o}es das m{\~a}os da L{\'{\i}}ngua 
                         Brasileira de Sinais",
            booktitle = "Anais...",
                 year = "2017",
         organization = "Workshop dos Cursos de Computa{\c{c}}{\~a}o Aplicada do INPE, 
                         17. (WORCAP)",
             keywords = "L{\'{\i}}ngua Brasileira de Sinais, Configura{\c{c}}{\~a}o das 
                         m{\~a}os, Redes Neurais Artificiais, Reconhecimento de imagens, 
                         DeepLIBRAS.",
             abstract = "A L{\'{\i}}ngua Brasileira de Sinais (LIBRAS) {\'e} a 
                         l{\'{\i}}ngua utilizada pela comunidade surda do Brasil para se 
                         comunicar e representa a principal forma do surdo expressar a sua 
                         cultura. Por mais que a LIBRAS tenha sido reconhecida como a 
                         segunda l{\'{\i}}ngua oficial do pa{\'{\i}}s, nota-se ainda a 
                         dificuldade enfrentada pela popula{\c{c}}{\~a}o surda em se 
                         comunicar com a popula{\c{c}}{\~a}o ouvinte, seja pela falta de 
                         int{\'e}rpretes ou pelo baixo n{\'u}mero de pessoas 
                         bil{\'{\i}}ngues, o que representa um desafio para a 
                         realiza{\c{c}}{\~a}o de atividades di{\'a}rias. Nesse sentido, 
                         a exist{\^e}ncia de uma tecnologia voltada {\`a} 
                         tradu{\c{c}}{\~a}o dos sinais da LIBRAS para a L{\'{\i}}ngua 
                         Portuguesa facilitaria a comunica{\c{c}}{\~a}o entre surdos e 
                         ouvintes, o que colaboraria para a inclus{\~a}o social de uma 
                         parcela da sociedade. Com base nisso, este trabalho tem como 
                         objetivo utilizar Redes Neurais Artificiais (RNA) para reconhecer 
                         as configura{\c{c}}{\~o}es das m{\~a}os, ou seja, as formas que 
                         as m{\~a}os assumem durante a execu{\c{c}}{\~a}o de um sinal, 
                         que corresponde a um dos cinco par{\^a}metros respons{\'a}veis 
                         por padronizar os sinais da LIBRAS. Para tanto, o desenvolvimento 
                         ocorreu por meio de cinco etapas: capta{\c{c}}{\~a}o das 
                         imagens, pr{\'e}-processamento, defini{\c{c}}{\~a}o da 
                         arquitetura, treinamento e valida{\c{c}}{\~a}o da RNA. Na etapa 
                         de capta{\c{c}}{\~a}o das imagens realizou-se {\`a} 
                         grava{\c{c}}{\~a}o dos sinais, por meio de um sensor de captura 
                         de imagens de cor e profundidade. Na etapa de 
                         pr{\'e}-processamento criou-se o conjunto de imagens de 
                         configura{\c{c}}{\~o}es das m{\~a}os utilizado no processo de 
                         aprendizado e no teste das redes desenvolvidas, recortadas dos 
                         sinais gravados na etapa anterior. Na defini{\c{c}}{\~a}o da 
                         arquitetura foi estabelecida e configurada uma RNA com potencial 
                         de cumprir com o objetivo deste trabalho. No treinamento, a RNA 
                         anteriormente definida foi continuamente exposta a um subconjunto 
                         das imagens, com a finalidade de aprender a classificar as 
                         configura{\c{c}}{\~o}es das m{\~a}os. Por fim, na 
                         valida{\c{c}}{\~a}o, a RNA treinada foi apresentada ao conjunto 
                         restante das imagens, com o prop{\'o}sito de avaliar a capacidade 
                         da rede em generalizar, ou seja, reconhecer 
                         configura{\c{c}}{\~o}es em imagens n{\~a}o dispon{\'{\i}}veis 
                         durante o treinamento. Ap{\'o}s a avalia{\c{c}}{\~a}o, o 
                         processo utilizado retornava para a etapa de 
                         defini{\c{c}}{\~a}o, onde o resultado era empregado como base 
                         para o desenvolvimento de uma nova RNA. Ao todo, o conjunto de 
                         imagens utilizado era formado por sete configura{\c{c}}{\~o}es 
                         de m{\~a}os distribu{\'{\i}}das em 1089 imagens, das quais 770 
                         foram dedicadas ao treinamento e 319 ao teste. A RNA que obteve a 
                         maior taxa de reconhecimento foi uma Convolutional Neural Network 
                         (CNN), que conseguiu uma taxa de 100% no conjunto de treinamento e 
                         83,1% no conjunto de teste, o que resultou em uma taxa geral de 
                         95%. Portanto, espera-se que o presente trabalho, ao abordar o 
                         reconhecimento de um dos par{\^a}metros fundamentais da LIBRAS, 
                         contribua no desenvolvimento de um sistema capaz de reconhecer e 
                         traduzir sinais em tempo real, buscando reduzir a dist{\^a}ncia 
                         entre as comunidades surdas e n{\~a}o surdas.",
  conference-location = "S{\~a}o Jos{\'e} dos Campos, SP",
      conference-year = "20-22 nov. 2017",
             language = "pt",
           targetfile = "Ferreira_rede.pdf",
        urlaccessdate = "17 maio 2024"
}