Este artigo relata a aplicação de técnicas de varredura digital 3D e Modelagem da Informação da Construção (BIM) para a preservação do patrimônio histórico. Na última década difundiu-se uma nova perspectiva de aplicação da tecnologia BIM para a documentação e gestão do patrimônio histórico, o denominado HBIM, que apesar da relevância para a interpretação e caracterização do estado de conservação do objeto histórico, ainda não alcançou o mesmo impacto que a modelagem inteligente aplicada a edificações novas. O artigo foca na criação de um modelo digital inteligente para uma obra singular da arquitetura moderna brasileira, a Igreja de São Francisco de Assis, na lagoa da Pampulha, a partir da utilização de duas técnicas de varredura digital. O modelo de nuvem de pontos obtido por dois sistemas de varredura (fotogrametria aérea e escaneamento a laser) fornece uma descrição detalhada da complexidade e irregularidade geométrica do edifício e é a base do modelo paramétrico preciso criado com ferramentas BIM. Neste artigo são abordados o manuseio de dois programas de processamento de dados, gerados pelos sensores, e os processos de manipulação da nuvem de pontos para otimizar a modelagem das formas complexas da igreja. São comparados o aspecto visual, os formatos de importação e exportação e o índice de sobreposição das nuvens de pontos. Este estudo demonstrou o potencial do levantamento digital, incluindo sensores de baixo custo, e o HBIM para a documentação e valorização do patrimônio construído.

Autism or ASD (Autistic Spectrum Disorder) is defined as a set of complex disorders that affect the brain and accompany the individual throughout life. Through the consolidation of current technologies in support of setting treatment and focus on education in the autistic universe, we propose in this article an evaluation and discussion of the methodology for the environment of interactive games called TEO (from portguese, Tratar, Estimular e Orientar - or Treat, Encourage and Guide). The purpose is, therefore, to aid in the treatment of transdisciplinary way, articulating through interactive games the development of logical reasoning, visual perception, concentration and other general skills.

Emotion recognition plays an essential role in human-computer interaction, spanning diverse domains from human-robot communication and virtual reality to mental health assessment and affective computing. Traditionally, this field has heavily relied on visual and auditory cues, such as facial expressions and speech analysis. However, these modalities alone may not comprehensively capture the full spectrum of human emotion and suffer limitations due to noise or occlusion. Human skeletons, derived from depth sensors or pose estimation algorithms, offer an alternative for facial expression, including valuable spatial and temporal cues. In this paper, we introduce a novel approach to emotion recognition by pre-training a transformer model on a large dataset of unsupervised human skeleton representations and subsequently fine-tuning it for emotion classification. By exposing the model to an extensive corpus of unlabeled human skeleton data, we can effectively learn to represent complex spatial and temporal dependencies inherent in body movements. Following this foundational knowledge acquisition, the model undergoes fine-tuning on a smaller, labeled dataset tailored for emotion classification tasks. We introduce SkelETT, an encoder-only transformer architecture for body emotion recognition. Comprising a series of encoder layers, SkelETT patches 2D body pose representations, it also includes multi-head self-attention mechanisms and position-wise feed-forward networks, providing a powerful framework for extracting hierarchical features from sequential body pose data. We propose and evaluate the impact of different fine-tuning strategies on pose data using the MPOSE action recognition dataset as a pre-training source. Transfer performance is measured on the BoLD body emotion recognition dataset. Compared to the state-of-the-art, we report significant gains in accuracy (≈ 34% higher), training time (≈ 50% less), and model complexity reduction (≈ 80% less trainable parameters).

Crianças autistas possuem dificuldade em imaginar cenários e situações, desenvolver raciocínio lógico, lidar com interação social, défices em habilidades motoras entre outras limitações. Jogos que fazem uso de realidade aumentada (RA) são capazes de atrair a atenção dos jogadores e gerar diversos estímulos psíquicos. Propomos um conjunto de jogos baseados em RA, jogados por crianças autistas e terapeutas. Estes jogos, quando utilizados como auxiliares no tratamento dessas crianças, tem como objetivo encorajar os pacientes a interagirem, a se movimentarem em direções pré-determinadas e a raciocinar logicamente. Resultado iniciais indicam diminuições das restrições dos pacientes além de benefícios emocionais durante as sessões.