Titulo: Traços de Personalidade; Técnicas Computacionais; Visão Computacional; Pontos Fiduciais; Aprendizado de Máquina; Aprendizado Profundo; Imagem; Vídeo
Comissão Examinadora - Titulares
Prof. Dr. Marco Antonio Garcia de Carvalho (Presidente) - FT/Unicamp
Prof. Dr. Raimundo Claudio da Silva Vasconcelos - IFB
Prof. Dr. Leandro Nunes de Castro Silva - FT/Unicamp
Suplentes
Profa. Dra. Paula Dornhofer Paro Costa - FEEC
Prof. Dr. Ulisses Martins Dias - FT/Unicamp - FT/Unicamp
Local: Sala de Defesa (Prédio da Pós Graduação) | https://stream.meet.google.com/stream/3870fb02-9cc8-46e9-8144-fcdfd0396847
Resumo: Traços de personalidade são características que podem descrever o comportamento de um indivíduo, refletindo também suas atitudes e emoções. Ainda, existem aqueles que sustentam a ideia de que os traços de personalidade podem ser fortes preditores de liderança implicando na consistência e estabilidade do indivíduo. Sabendo da importância do tema, áreas como a psicologia e a neuropsicologia, já há algum tempo, estudam e analisam a personalidade, com o objetivo de compreenderem melhor tais padrões que norteiam o comportamento. Um dos modelos amplamente aceitos e utilizados para representar traços de personalidade é conhecido como Big-Five. Este modelo emprega o acrônimo em inglês
OCEAN, que traduzido para o português significa: Abertura, Conscienciosidade, Extroversão, Agradabilidade e Neuroticismo. Com o avanço da computação e das tecnologias de visão computacional, tornou-se possível analisar traços de personalidade utilizando dados visuais, despertando grande interesse na comunidade científica. Este trabalho tem como objetivo explorar a aplicação de técnicas computacionais com base na arquitetura Transformer a fim de classificar traços de personalidade a partir da análise de vídeos faciais. A abordagem proposta utiliza pontos fiduciais extraídos de rostos em sequências de imagens, tendo o modelo Big-Five como referência inicial. A avaliação dos resultados é realizada utilizando as métricas precisão, revocação, F1-score, acurácia e ROC AUC, permitindo uma comparação rigorosa com benchmarks existentes. Os resultados obtidos destacam o potencial do uso de Transformers para essa tarefa, identificando desafios e limitações, e contribuindo significativamente para a compreensão da área