Reconhecimento de padrões em imagens baseado em redes neurais artificiais e sistemas complexos: da extração de descritores manuais ao aprendizado automático

Resumo

O reconhecimento de padrões em imagens é um tópico chave da visão computacional, envolvendo a análise de características visuais (como textura, cor e forma) e tendo aplicações variadas. Atualmente, existem dois paradigmas principais de métodos, com vantagens e desvantagens: o clássico, que usa descritores manuais e exigem maior conhecimento de domínio, e abordagens baseadas em aprendizado automático com Redes Neurais Artificiais (RNAs).Métodos clássicos utilizam modelos matemáticos ou estatísticos e são úteis em cenários com poucos dados, hardware limitado e maior necessidade de interpretabilidade. Já abordagens baseadas em aprendizado, como redes neurais convolucionais, ganharam popularidade pela capacidade de aprender características relevantes a partir de grandes volumes de dados e alto desempenho de classificação.Este projeto propõe o estudo e desenvolvimento de métodos de reconhecimento de padrões em imagens baseados em ambos os paradigmas, utilizando técnicas de sistemas complexos e RNAs para propor métodos que melhorem a tarefa de reconhecimento.Mais especificamente, pretende-se focar em duas abordagens de sistemas complexos: redes complexas e caminhadas determinísticas. Tais abordagens descrevem com precisão a irregularidade ou homogeneidade das estruturas em imagens, relevante para visão natural e artificial, auxiliando na análise de imagens da natureza ou oriundas de fenômenos não-lineares. Em RNAs, serão estudadas as Redes Neurais Randomizadas, Convolucionais e Vision Transformers, explorando o potencial de cada arquitetura no reconhecimento de padrões em imagens e sistemas complexos. Assim, este projeto também pode explorar a simbiose entre RNAs e sistemas complexos, investigando e interpretando as redes neurais sob a perspectiva de sistemas complexos, o que torna o uso dessas abordagens para reconhecimento de padrões uma linha natural de pesquisa, conforme destacado por alguns estudos.Além da frente teórica, como forma de contribuir em outras áreas, outra meta é aplicar os métodos desenvolvidos em dados de problemas reais gerados por parceiros, especialmente em imagens de materiais (sensores e biossensores), plantas e médicas. Portanto, ressalta-se que o projeto busca criar uma interação entre aplicação e teoria, testando métodos genéricos em problemas específicos e, simultaneamente, permitindo que esses problemas inspirem novas linhas teóricas, avançando o conhecimento em ambas as frentes. (AU)