Busca avançada
Ano de início
Entree
Conteúdo relacionado

Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado

Processo: 19/02033-0
Modalidade de apoio:Bolsas no Brasil - Mestrado
Data de Início da vigência: 01 de setembro de 2019
Data de Término da vigência: 31 de março de 2021
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Moacir Antonelli Ponti
Beneficiário:Gabriel Biscaro Cavallari
Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Assunto(s):Visão computacional   Aprendizado computacional   Aprendizagem profunda   Reconhecimento de padrões   Processamento de imagens   Redes neurais (computação)
Palavra(s)-Chave do Pesquisador:Aprendizado de Máquina | Aprendizado profundo | Processamento de imagens | Reconhecimento de Padrões | Visão Computacional

Resumo

Redes neurais profundas para processar imagens e encontrar representações tem sido aplicadas com grande sucesso em tarefas para as quais há rótulos disponíveis. Ainda que algumas arquiteturas sejam capazes de generalizar para diversos problemas, ainda há uma lacuna no estudo de representações obtidas de forma não supervisionada, ou ainda com poucos rótulos disponíveis. Nesse sentido, esse projeto propõe o estudo de arquiteturas supervisionadas e não supervisionadas de forma a combinar suas funções objetivos e investigar estratégias de treinamento para possibilitar encontrar representações que sejam generalizáveis, não apenas para o domínio de treinamento, mas também para outros domínios. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
CAVALLARI, GABRIEL B.; PONTI, MOACIR A.; IEEE COMP SOC. Semi-supervised siamese network using self-supervision under scarce annotation improves class separability and robustness to attack. 2021 34TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2021), v. N/A, p. 8-pg., . (19/07316-0, 19/02033-0)
PONTI, MOACIR A.; DOS SANTOS, FERNANDO P.; RIBEIRO, LEO S. F.; CAVALLARI, GABRIEL B.; IEEE COMP SOC. Training Deep Networks from Zero to Hero: avoiding pitfalls and going beyond. 2021 34TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2021), v. N/A, p. 8-pg., . (19/07316-0, 17/22366-8, 19/02033-0)
Publicações acadêmicas
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
CAVALLARI, Gabriel Biscaro. Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado. 2022. Dissertação de Mestrado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.