NLOOK: Modelo de Atenção Visual Relativamente

Insensível a Transformações Afins

Milton Roberto Heinen1 e Paulo Martins Engel1
1
Instituto de Informática – Universidade Federal do Rio Grande do Sul (UFRGS)
Caixa Postal 15064, CEP 91501-970, Porto Alegre-RS, Brasil
mrheinen@inf.ufrgs.br, engel@inf.ufrgs.br

Abstract. The computational models of visual attention, originally proposed as

cognitive models of human attention, nowadays are being used as front-ends
in some computational vision systems, but in these kinds of applications the
model must be relatively insensitive to affine transformations. In this paper a
new visual attention model, called NLOOK, is proposed and validated using
several experiments, and the results show that NLOOK is less sensitive to affine
transformations than the best known attention model, called NVT. Thus, the
proposed model is an excellent tool to be used in computational vision systems.

Resumo. Os modelos de atenção visual, originalmente propostos para explicar

os mecanismos de atenção biológicos, ultimamente vem sendo utilizados como
front-ends em aplicações de visão computacional, porém neste tipo de aplicação
o modelo precisa ser relativamente insensível a transformações afins. Neste
artigo um novo modelo de atenção visual, chamado de NLOOK, é proposto
e validado através de diversos experimentos. Estes experimentos demonstram
que o NLOOK é bem menos sensível a transformações afins que o NVT, que
é o modelo de atenção visual mais conhecido e utilizado. Assim, o NLOOK é
bastante adequado de ser utilizado em aplicações de visão computacional.

1. Introdução
A quantidade de informações que chega ao sistema visual dos primatas – estimada como
sendo da ordem de 108 bits por segundo – excede em muito a capacidade que o cérebro
tem de processá-la e assimilá-la em sua experiência consciente [Itti et al. 1998]. A es-
tratégia utilizada pelos sistemas biológicos para lidar com este excesso de informações
é processar de forma detalhada somente algumas partes do campo visual, chamadas de
regiões de interesse, e ignorar o restante das informações [Niebur and Koch 1998]. O
mecanismo de atenção do seres humanos é influenciado por dois principais tipos de infor-
mações: bottom-up ou exógenas (elementos da cena visual que se destacam dos demais) e
top-down ou endógenas (informações do córtex cerebral que alteram o foco da atenção).
Inspirados nos sistemas de atenção biológicos, é possível desenvolver sistemas
de atenção computacionais que sejam capazes de selecionar as regiões de interesse do
campo visual a serem completamente processadas, e isto torna possível a análise de
cenas complexas em tempo real com recursos limitados de processamento. Embora
diversos modelos de atenção visual bottom-up já tenham sido propostos e implemen-
tados [Koch and Ullman 1985, Tsotsos et al. 1995, Itti et al. 1998, Orabona et al. 2005,
____________________________________________________________________________________
Hífen, Uruguaiana, v. 32 - nº 62 - II Semestre - Ano 2008 - ISSN 1983-6511 270
Frintrop 2006], a maioria destes modelos tem como foco principal entender o funciona-
mento dos mecanismos de atenção dos seres vivos, e como tal têm sido avaliados somente
em relação à sua plausibilidade biológica [Draper and Lionelle 2005]. Em um sistema de
visão computacional é necessário, entre outras coisas, que o modelo de atenção seja relati-
vamente insensível a transformações afins (rotação, translação, reflexão e escala). Porém,
segundo [Draper and Lionelle 2005], o NVT [Itti et al. 1998], que é o modelo de atenção
visual mais conhecido e utilizado, é bastante sensível a transformações afins, e portanto
não deve ser utilizado em aplicações de visão computacional.
Este artigo apresenta um novo modelo de atenção visual, chamado de NLOOK
[Heinen and Engel 2008c], que é bem menos sensível a transformações afins que o NVT.
Assim, o modelo proposto é uma excelente ferramenta para ser utilizada em tarefas de vi-
são computacional e robótica, como a identificação de objetos e a detecção de landmarks.
Este artigo está estruturado da seguinte forma: a Seção 2. descreve o modelo de atenção
visual mais conhecido e utilizado, chamado de NVT [Itti et al. 1998]; a Seção 3. des-
creve o modelo proposto; a Seção 4. descreve os experimentos realizados e os resultados
obtidos; e a Seção 5. descreve as conclusões finais e as perspectivas futuras.

2. Trabalhos relacionados
O primeiro modelo de atenção visual biologicamente plausível foi proposto original-
mente em [Koch and Ullman 1985] e posteriormente aperfeiçoado em [Itti et al. 1998].
Ele é baseado na teoria da integração de feições (Feature Integration Theory – FIT)
[Treisman and Gelade 1980] e na hipótese de que um “mapa de saliências” é capaz de
fornecer uma estratégia eficiente no controle da atenção utilizando somente informações
da própria cena visual (bottom-up) [Itti 2005]. Neste modelo, chamado de NVT, a imagem
de entrada é decomposta em três mecanismos de detecção de características pré-atentivas
(intensidade, cores e orientações), que operam em paralelo sobre toda a cena visual. Es-
tas três características são posteriormente unidas em um único mapa de saliências, que
codifica os estímulos mais importantes da cena visual.
Para a criação dos mapas de características, no NVT são utilizadas operações
lineares de centro-periferia aplicadas sobre pirâmides gaussianas [Burt et al. 1983] com
níveis ϕ ∈ [0, 8], onde ϕ = 0 corresponde ao tamanho original da imagem. No modelo
de [Itti et al. 1998], as operações lineares de centro-periferia são implementadas através
da diferença entre os níveis finos e grosseiros das pirâmides gaussianas, onde o centro
corresponde aos níveis c ∈ {2, 3, 4} e a periferia aos níveis s = c + δ, com δ ∈ {3, 4}. Os
mapas resultantes deste processo são então reduzidos para o nível ϕ = 4 (mais grosseiro)
e normalizados através do operador de normalização não linear N (·), que intensifica os
mapas que possuem poucos picos salientes que se destacam dos demais [Itti et al. 1998],
e em seguida estes mapas são combinados em um único mapa de características.
Para a criação dos mapas de intensidade I no NVT, inicialmente os canais verme-
lho (red – r), verde (green – g) e azul (blue – b) são extraídos da imagem colorida original.
A partir destes canais é gerada a imagem I = (r + g + b)/3, e sobre esta imagem são apli-
cadas as operações de centro-periferia. Os mapas de cores C, que codificam a oponência
espacial e cromática das cores vermelho/verde (RG) e azul/amarelo (BY ), são criados de
forma similar. Inicialmente os canais r, g e b da imagem de entrada são normalizados por
I de forma a separar a cor da intensidade. Em seguida quatro canais largamente sintoni-
____________________________________________________________________________________
Hífen, Uruguaiana, v. 32 - nº 62 - II Semestre - Ano 2008 - ISSN 1983-6511 271
zados R, G, B e Y são criados. A partir destes canais são criadas pirâmides gaussianas
e realizadas as operações de centro-periferia, sendo que no centro são utilizadas as pirâ-
mides de uma cor (R ou B) e na periferia as pirâmides de outra (G ou Y ). Para a criação
dos mapas de orientação O(θ), são utilizadas pirâmides de Gabor [Greenspan et al. 1994]
a partir da imagem I, com as orientações preferenciais θ ∈ {0◦ , 45◦ , 90◦ , 135◦ }. Em
seguida estes quatro mapas são unidos em um único mapa de orientações O.
Após a construção dos mapas de características, estes são unidos para formarem
um único mapa de saliências global S = (N (I) + N (C) + N (O))/3, que codifica os
estímulos mais importantes da cena visual. Para a seleção dos focos de atenção (focus of
attention – FOA), também chamados de fixações, é utilizada uma rede neural do tipo “o
vencedor leva tudo” (winner-take-all – WTA). Esta rede neural utiliza neurônios do tipo
“integra e dispara” [Liu and Wang 2001] com forte inibição global, e um mecanismo de
inibição de retorno (inhibition of return – IOR) [Klein 2000] evita que o foco de atenção
(focus of attention – FOA) fique sempre preso ao mesmo objeto.
Embora este modelo de atenção seja bastante conhecido e biologicamente plau-
sível, segundo [Draper and Lionelle 2005] ele não é muito adequado de ser utilizado em
aplicações de visão computacional, pois é muito sensível a transformações afins (refle-
xão, rotação, translação e escala) na imagem original. Assim, optou-se pela criação de
um novo modelo de atenção visual que fosse menos sensível a transformações afins. Este
modelo é descrito em detalhes na próxima seção.

3. Modelo proposto
A Figura 1 mostra a arquitetura geral do modelo proposto neste artigo, chamado de
NLOOK1 [Heinen and Engel 2008b, Heinen and Engel 2008c, Heinen and Engel 2008a,
Heinen and Engel 2009], que é inspirado nos conceitos de scale-space (espaço-escala)
[Witkin 1983], também utilizados por Lowe nos descritores SIFT (Scale Invariant Fe-
ature Transform) [Lowe 2004]. Ou seja, diferentemente de outros modelos de atenção
visual, o NLOOK utiliza scale-spaces ao invés de apenas pirâmides gaussianas para as
operações de centro-periferia, o que torna o modelo proposto menos sensível a transfor-
mações afins que os demais. Além disso, o modelo proposto consegue selecionar a escala
aproximada dos focos de atenção.

Figura 1. Arquitetura do modelo proposto

Para a criação de um scale-space, a imagem de entrada é inicialmente sub-amos-

trada em diversos oitavos, e as imagens iniciais de cada oitavo correspondem a uma pi-
1
NLOOK – http://www.inf.ufrgs.br/~mrheinen/nlook
____________________________________________________________________________________
Hífen, Uruguaiana, v. 32 - nº 62 - II Semestre - Ano 2008 - ISSN 1983-6511 272
râmide gaussiana, ou seja, cada oitavo possui metade do tamanho de seu antecessor e o
oitavo 0 corresponde à imagem original. Em seguida são criadas diversas escalas para
cada oitavo através da convolução sucessiva das imagens iniciais com kernels gaussianos.
Por último, as diferenças de gaussianas (DoG) são obtidas através da subtração absoluta
das escalas adjacentes de cada oitavo. A Figura 2 ilustra este processo [Lowe 2004].

Figura 2. Diferença de gaussianas utilizando scale-spaces

O modelo proposto neste artigo utiliza o número máximo possível de oitavos,

além do qual a imagem inicial deste oitavo seria menor que os kernels gaussianos. Isto
corresponde a cinco oitavos para uma imagem de 320 × 240 pixels e seis oitavos para uma
imagem de 416×416 pixels. Segundo [Lowe 2004], o número ideal de escalas por oitavo a
ser utilizado é três. Assim, os kernels gaussianos utilizados no NLOOK para as escalas 0,
1 e 2 possuem desvios de 1.2263, 1.5450 e 1.9466, respectivamente. Estes são os mesmos
valores utilizados nos descritores SIFT de Lowe [Lowe 2004]. Para a criação dos mapas
de intensidade, a imagem original é convertida para uma imagem em tons de cinza I, e as
diferenças de gaussianas são geradas para esta imagem utilizando scale-spaces. Assim,
para uma imagem típica de 416 × 416 pixels são criadas 12 diferenças de gaussianas (duas
por oitavo). Em seguida cada uma destas diferenças de gaussianas são normalizadas pela
subtração da média e divisão do resultado pelo desvio padrão. Diferentemente do NVT,
no NLOOK os diferentes oitavos e escalas não são unidos em um único mapa, ou seja,
todas as DoGs dos mapas de características são preservadas.
Para a criação dos mapas de cores, inicialmente são gerados quatro scale-spaces
para os canais de cores largamente sintonizados R (vermelho), G (verde), B (azul) e Y
(amarelo). A criação destes canais é descrita de forma detalhada em [Itti et al. 1998]. Em
seguida são geradas as diferenças de gaussianas entre os diferentes canais, ou seja, para
os mapas RG as subtrações absolutas ocorrem entre os canais R0 − B1 e R1 − B2 de cada
oitavo (onde 0, 1 e 2 são as escalas), e para os mapas BY ocorrem entre os canais B0 − Y1
e B1 − Y2 . Assim, são criados dois scale-spaces de cores: RG e BY . Para a criação
dos mapas de orientação são utilizados filtros de Gabor [Daugman 1988]. A criação des-
tes mapas é semelhante a dos mapas de intensidade, porém antes da convolução com os
kernels gaussianos de cada escala a imagem inicial de cada oitavo é convolucionada com
os filtros Gabor. Assim como no NVT, no modelo proposto são utilizadas quatro orienta-
ções preferenciais θ ∈ {0◦ , 45◦ , 90◦ , 135◦ }, ou seja, o modelo possui quatro scale-spaces
de orientação. As DoGs destes quatro scale-spaces são então normalizadas e somadas,
dando origem assim a um único scale-space de orientações.
____________________________________________________________________________________
Hífen, Uruguaiana, v. 32 - nº 62 - II Semestre - Ano 2008 - ISSN 1983-6511 273
 Após a criação dos scale-spaces de características, estes são normalizados e so-
mados em um único scale-space de saliências, que possui diversas DoGs (12 para uma
imagem 416 × 416 pixels). Estas DoGs são então redimensionadas para a escala 0 (ta-
manho original da imagem) e somadas, formando assim um único mapa de saliências.
Ao contrário do NVT, no qual o mapa de saliências possui escala 4 (mais grosseira), no
NLOOK optou-se por expandir as DoGs para a escala 0 para que não houvesse perda
de informações. Esta técnica também é adotada em [Frintrop 2006]. A função do mapa
de saliências único é servir como um “resumo” do scale-space de saliências, permitindo
assim o uso de um mecanismo de inibição de retorno (IOR) único.
Após a criação do mapa de saliências único, este é percorrido pelo foco de aten-
ção da seguinte forma: inicialmente o ponto mais saliente deste mapa é encontrado, e o
scale-space de saliências é então analisado para que seja descoberto o oitavo/escala que
mais contribuiu para a saliência deste ponto. Em caso de empate é utilizado o menor
(mais fino) oitavo/escala. O mecanismo de inibição de retorno, que possui o formato de
uma gaussiana invertida, é então aplicado sobre o mapa de saliências único, sendo que o
diâmetro deste depende do oitavo/escala mais relevante para o FOA atual, isto é, quanto
maior o oitavo/escala (mais grosseiro), maior o diâmetro do IOR.

Figura 3. Imagens utilizadas nos experimentos

4. Experimentos realizados
Nesta seção são descritos os experimentos realizados visando verificar a sensibilidade do
modelo proposto em relação às transformações afins, bem como comparar o seu desem-
penho com o do NVT. Para isto, foram selecionadas 15 imagens de 320 × 240 pixels,
mostradas na Figura 3, e sobre estas foram aplicadas as seguintes transformações:
• Reflexões vertical e horizontal;
• Rotações de 45°a 315°, em intervalos de 45°;
• Translação vertical e horizontal de 1, 4, 9 e 16 pixels;
• Alteração de escala: fatores 1.2, 1.1, 0.9 e 0.8.
Totalizando 25 transformações distintas para cada imagem. Um modelo de atenção insen-
sível a transformações afins deverá encontrar as mesmas fixações nas imagens originais e
____________________________________________________________________________________
Hífen, Uruguaiana, v. 32 - nº 62 - II Semestre - Ano 2008 - ISSN 1983-6511 274
transformadas – estas apenas estarão deslocadas de acordo com a transformação aplicada.
Para evitar que parte das informações fossem perdidas, cada uma das imagens originais
foi acrescida de bordas cinzentas, e a fronteira entre a imagem original e as bordas foi
levemente desfocada para evitar que esta região ficasse muito saliente. O tamanho das
imagens com bordas é de 416×416 pixels, e assim foram utilizados 6 oitavos no NLOOK.
Para avaliar a performance dos dois modelos de atenção em relação às transfor-
mações aplicadas, foram utilizadas as seguintes medidas de desempenho (adaptadas de
[Draper and Lionelle 2005]): taxa de erros grosseiros (gross errors – GE) e deslocamento
médio (mean drift – MD). A taxa de erros grosseiros mede o percentual de fixações da
imagem original que não são encontradas na imagem transformada, aplicando-se as devi-
das transformações nas posições dos FOAs originais e levando-se em conta uma margem
de erro de 18 pixels (a mesma usada em [Draper and Lionelle 2005]). Já o deslocamento
médio mede a distância média em pixels entre a posição desejada para as fixações, que é a
posição do FOA na imagem original deslocada de acordo com a transformação aplicada,
em relação à posição das fixações obtidas na imagem transformada, ou seja:
PN
M D = 1/N n=1 D(F d(n), F o(n)) (1)

onde N é o número de FOAs utilizado (10 nos experimentos realizados), F d(n) é a posi-
ção desejada do FOA n, F o(n) é a posição obtida do FOA n na imagem transformada, e
D(·) é a distância euclidiana entre F d(n) e F o(n). A Tabela 1 mostra a média dos resul-
tados obtidos com estas imagens em cada dos modelos de atenção analisados. A primeira
coluna descreve a transformação aplicada. As demais colunas trazem a média dos valores
do deslocamento médio (MD) e dos erros grosseiros (GE) sobre todas as 15 imagens.
Os experimentos da Tabela 1 demonstram que o NVT é bastante sensível a trans-
formações afins, não sendo adequado para ser utilizado em aplicações de visão computa-
cional. Já o NLOOK apresentou resultados melhores que o NVT, ou seja, ele apresenta
um sensibilidade a transformações afins muito menor que o NVT. A Figura 4 mostra o de-
sempenho dos dois modelos de atenção utilizando uma imagem original e sua respectiva
versão rotacionada em 45°(parte das bordas foi retirada para melhorar a visualização).
Percebe-se que os FOAs selecionados pelo NLOOK, levando-se em conta as transforma-
ções aplicadas, foram os mesmos em ambas as versões da imagem (original e rotacio-
nada), ou seja, o NLOOK se mostrou insensível à transformação aplicada. Já o NVT
selecionou FOAs diferentes para cada versão da imagem.

(a) Original – NVT (b) Rot. 45°– NVT (c) Original– NLOOK (d) Rot. 45°– NLOOK

Figura 4. Comparação visual dos dois modelos de atenção

____________________________________________________________________________________
Hífen, Uruguaiana, v. 32 - nº 62 - II Semestre - Ano 2008 - ISSN 1983-6511 275
 Tabela 1. Resultados obtidos
NVT NLOOK
Transformação MD GE MD GE
Reflexão vertical 123,4658 22,0000% 10,1914 0,6667%
Reflexão horizontal 119,7409 26,0000% 1,5288 0,0000%
Rotação 45° 122,0815 26,6667% 13,9553 2,0000%
Rotação 90° 128,5907 23,3333% 2,0000 0,0000%
Rotação 135° 128,8825 32,6667% 18,6985 4,0000%
Rotação 180° 138,6153 34,0000% 3,5418 0,6667%
Rotação 225° 134,6957 35,3333% 13,9964 4,0000%
Rotação 270° 125,6258 27,3333% 2,0016 0,0000%
Rotação 315° 131,9226 29,3333% 12,4510 3,3333%
Translação vertical 1 pixels 42,8538 4,0000% 3,1510 0,0000%
Translação vertical 4 pixels 81,6551 10,0000% 0,0133 0,0000%
Translação vertical 9 pixels 84,2279 9,3333% 3,1443 0,0000%
Translação vertical 16 pixels 79,2176 10,6667% 2,4757 0,0000%
Translação horizontal 1 pixels 41,9955 3,3333% 4,4449 0,0000%
Translação horizontal 4 pixels 84,4627 7,3333% 0,0067 0,0000%
Translação horizontal 9 pixels 97,6045 6,6667% 4,4316 0,0000%
Translação horizontal 16 pixels 88,4299 8,0000% 0,0067 0,0000%
Alteração de escala – fator 1,2 122,2623 26,0000% 84,2955 14,6667%
Alteração de escala – fator 1,1 121,9265 14,6667% 54,3286 9,3333%
Alteração de escala – fator 0,9 126,2960 18,6667% 60,7751 8,6667%
Alteração de escala – fator 0,8 125,1340 29,3333% 91,0922 16,6667%
Média 108,5113 21,3333% 24,8051 4,8533%
Desvio padrão 27,4246 11,8228% 36,2401 8,4097%

5. Conclusões e perspectivas
Este artigo apresentou um novo modelo de atenção visual, chamado de NLOOK, desen-
volvido para ser utilizado em aplicações de visão computacional e robótica. Este modelo
é bem menos sensível às transformações afins que o modelo de atenção mais conhecido
e utilizado, chamado de NVT, e assim é mais adequado de ser utilizado em aplicações de
visão computacional. As perspectivas futuras incluem a utilização de informações top-
down no processo de elaboração dos mapas de características, bem como a utilização do
modelo proposto em aplicações de visão computacional como a identificação de objetos.

Agradecimentos
Agradecemos ao apoio do CNPq que tornou possível a realização deste trabalho.

Referências
Burt, P. J., Hong, T., and Adelson, E. H. (1983). The laplacian pyramid as a compact
image code. IEEE Trans. Communications, 31(4):532–540.
Daugman, J. G. (1988). Complete discrete 2-d gabor transforms by neural networs for
image analysis and compression. IEEE Trans. Acoustics, Speech, and Signal Proces-
sing, 36(7):1169–1179.
____________________________________________________________________________________
Hífen, Uruguaiana, v. 32 - nº 62 - II Semestre - Ano 2008 - ISSN 1983-6511 276
Draper, B. A. and Lionelle, A. (2005). Evaluation of selective attention under similarity
transformations. Computer Vision and Image Understanding, 100:152–171.
Frintrop, S. (2006). VOCUS: A Visual Attention System for Object Detection and Goal-
directed Search. PhD thesis, Rheinische Friedrich-Wilhelms-Univ. Bonn, Germany.
Greenspan, S., Belongie, S., Goodman, R., Perona, P., Rakshit, S., and Anderson, C. H.
(1994). Overcomplete steerable pyramid filters and rotation invariance. In Proc. IEEE
Computer Vision and Pattern Recognition (CVPR), pages 222–228, Seattle, WA.
Heinen, M. R. and Engel, P. M. (2008a). Avaliação de modelos de atenção visual
em relação a transformações afins. In Proc. IV Workshop de Visão Computacional
(WVC’2008), Bauru, SP. IEEE press.
Heinen, M. R. and Engel, P. M. (2008b). Modelo de atenção visual seletiva para aplica-
ções em tempo real. In Proc. IV Workshop on MSc Dissertation and PhD Thesis in
Artificial Intelligence (WTDIA 2008), LNCS, Salvador, BH. Springer-Verlag.
Heinen, M. R. and Engel, P. M. (2008c). Visual selective attention model for robot vision.
In Proc. 5th IEEE Latin American Robotics Symposium (LARS’08), Salvador, BH,
Brazil. IEEE press.
Heinen, M. R. and Engel, P. M. (2009). Evaluation of visual attention models under 2d
similarity transformations. In Proc. 24th Annual ACM Symposium on Applied Compu-
ting (SAC’09), Honolulu, Hawaii, USA. ACM press. To appear.
Itti, L. (2005). Models of Bottom-Up Attention and Saliency, pages 576–582. Neurobio-
logy of Attention. Elsevier Press, San Diego, CA.
Itti, L., Koch, C., and Niebur, E. (1998). A model of saliency-based visual attention for
rapid scene analysis. IEEE Trans. Pattern Analysis and Machine Intell., 20:1254–1259.
Klein, R. M. (2000). Inhibition of return. Trends in Cognitive Sciences, 4(4):138–147.
Koch, C. and Ullman, S. (1985). Shifts in selective visual attention: Toward the un-
derlying neural circuitry. Human Neurobiology, 4(4):219–227.
Liu, Y.-H. and Wang, X.-J. (2001). Spike-frequency adaptation of a generalized leaky
integrate-and-fire model neuron. Journal of Computational Neuroscience, 10:25–45.
Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. Int. Jour-
nal of Computer Vision, 60(2):91–110.
Niebur, E. and Koch, C. (1998). Computational architectures for attention, pages 163–
186. The Attentive Brain. MIT Press, Cambridge, MA.
Orabona, F., Metta, G., and Sandini, G. (2005). Object-based visual attention: a model
for a behaving robot. In Proc. 3rd Int. Workshop on Attention and Performance in
Computational Vision (WAPCV 05), San Diego, CA.
Treisman, A. M. and Gelade, G. (1980). A feature-integration theory of attention. Cog-
nitive Psychology, 12:97–136.
Tsotsos, J. K., Culhane, S. M., Wai, W. Y. K., Lai, Y., Davis, N., and Nuflo, F. (1995).
Modeling visual attention via selective tuning. Artificial Intelligence, 78(1-2):507–545.
Witkin, A. P. (1983). Scale-space filtering. In Proc. Int. Joint Conf. Artificial Intelligence,
pages 1019–1022, Karlsruhe, Germany.
____________________________________________________________________________________
Hífen, Uruguaiana, v. 32 - nº 62 - II Semestre - Ano 2008 - ISSN 1983-6511 277