CV Lattes
ResearcherID
ORCID
Google Scholar Citations
Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC) (Instituição Sede da última proposta de pesquisa) País de origem: Brasil
Moacir Antonelli é Professor Associado 3 no Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo (ICMC/USP) e atua como Machine Learning Expert no Mercado Livre, sendo responsável por decisões científicas e tecnológicas em prevenção de fraudes. Livre-Docente pelo ICMC/USP, possui Doutorado em Biotecnologia e Mestrado em Ciência da Computação pela Universidade Federal de São Carlos, além de graduação em Processamento de Dados. Desenvolve pesquisa em aprendizado profundo (deep learning) e aprendizado de representações para múltiplos domínios, incluindo áudio, imagem e dados tabulares. Publicou artigos em importantes conferências e periódicos como ICML, ICCV, CVPR, Pattern Recognition e Neural Networks, e tem contribuído para a comunidade científica como program chair (KDMile, SIBGRAPI), area chair (BMVC) e editor associado (IEEE Signal Processing Letters), além de atuar em comitês de revisão. Foi pesquisador visitante no Centre for Vision, Speech and Signal Processing (CVSSP) da Universidade de Surrey (20162017). Bolsista de produtividade do CNPq desde 2018, recebeu o Google Latin America Research Award (20172018) e é coautor do livro Machine Learning: A Practical Approach on the Statistical Learning Theory (Springer). Com mais de 16 anos de experiência acadêmica, é grato por ter trabalhado e aprendido com estudantes, colegas e colaboradores brilhantes em projetos com financiamento público e parcerias com o mercado. Desde 2021 figura entre os 2 de cientistas mais influentes no mundo, segundo o ranking Stanford-Elsevier. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) no Pesquisa para Inovação FAPESP sobre o(a) pesquisador(a): |
| Alunos da USP vencem competição com jogo que ensina a programar |
| II Escola Avançada em Big Data Analysis |
| Mais itensMenos itens |
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
O projeto é uma atividade de pesquisa colaborativa entre o CVSSP/University of Surrey e o ICMC/Universidade de São Paulo, na tentativa de preencher uma lacuna na pesquisa e desenvolvimento de aplicações nas quais é importante aprender representações de dados complexos como sinais, imagens e vídeos. Em particular, aborda essa área da perspectiva de supervisão limitada, o que significa apre…
A teoria de singularidades trata do estudo de variedades e aplicações singulares. É uma teoria bem consolidada e ganhou interesse devido a suas amplas aplicações a várias áreas das ciências e à sua interação com diversas áreas da matemática. Existem aplicações da teoria à ótica, à robótica e à visão computacional, entre outras. O projeto possui quatro linhas de pesquisa centrais: uma tra…
Métodos de aprendizado de características alcançaram o estado da arte em diversas aplicações, em particular em dados de um único domínio, mas também com resultados relevantes em bases de dados de domínios cruzados. Como coletar e rotular dados pode ser custo e, em alguns cenários, impossível, é fundamental investigar métodos que possam trabalhar com supervisão limitada ou sem supervisão. …
O reconhecimento visual na classificação de imagens, detecção de objetos e segmentação semântica continua sendo um desafio significativo na visão computacional, principalmente quando se trata de aprender representações de dados em 3D e sua relação com o domínio 2D. Com o advento de técnicas avançadas de aprendizagem profunda em visão, inspiradas por avanços no processamento de linguagem n…
O aprendizado de representação, com frequência aplicado às atividades de busca, classificação e geração multi-domínio, apresentou um grande avanço nas últimas décadas com o uso de modelos de aprendizado profundo, em particular com arquiteturas de Redes Neurais Recorrentes (RNNs) aplicadas ao domínio de rascunhos. Contudo, tais modelos negligenciam dependências espaço-temporais, o que resu…
Com a enorme quantidade de dados que circulam em redes sociais, as relações entre conteúdo de publicações (contexto) e as hashtags utilizadas como forma de engajamento em múltiplos âmbitos sociais se tornam cada vez mais relevantes. Tais interações podem ser modeladas a partir das relações que envolvem dados das postagens e hashtags que são gerados a partir de técnicas de aprendizado de r…
Em visão computacional, o mapeamento entre dados em domínios distintos permanece como um problema em aberto. Por exemplo, é um desafio reconhecer a identidade de uma pessoa em diferentes representações, como fotos, rascunhos e escaneamentos 3D. A maioria dos métodos existentes não exploram a geometria não-Euclidiana das variedades, que modelam curvas e superfícies como, por exemplo, o ros…
Aprendizado de Máquinas ganhou um grande destaque por sua performance excepcional em tarefas onde os dados são abundantes, como detecção de objetos e geração de texto. Contudo, muitos problemas não contam com o privilégio de possuírem grandes volumes de dados rotulados e a coleta de dados nesses domínios, mesmo que pequena, pode ser financeiramente custosa e lenta, o que é o caso em áreas…
As redes neurais são ferramentas relevantes para aprender representações para diferentes tarefas. Nesse contexto, as redes de produção de padrões de composição (CPPNs) são abstrações semelhantes às redes neurais artificiais que podem ser treinadas usando métodos semelhantes para codificar padrões complexos naturais. O método canônico usado para evoluir essas redes é a evolução neural de t…
Avanços atuais na área de recuperação de imagens entre domínios são bastante dependentes na disponibilidade de grandes quantidades de dados anotados. Neste projeto desejamos explorar o uso e desenvolvimento de métodos não-supervisionados de aprendizado de características que possam superar a lacuna natural que há entre domínios diferentes. Estamos particularmente interessados em represent…