Aprendizado fracamente supervisionado para análise de vídeos no domínio comprimido em tarefas de recuperação e classificação para alertas visuais

• Processo: 17/25908-6
• Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: Microsoft Research
• Pesquisador responsável: João Paulo Papa
• Beneficiário: João Paulo Papa
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Empresa: Microsoft Informática Ltda
• Município: Rio ClaroSão Paulo
• Pesquisadores principais:( Últimos ): Daniel Carlos Guimarães Pedronette ; Fabio Augusto Faria ; Jurandy Gomes de Almeida Junior
• Pesquisadores principais:( Antigos ): João Paulo Papa
• Pesquisadores associados: João Paulo Papa
• Bolsa(s) vinculada(s): 22/01246-2 - Análise comparativa de características profundas para o reconhecimento de tarefas em dados multimídia, BP.IC; 21/10048-7 - Suporte para o ambiente computacional e execução de experimentos: aquisição de dados, categorização e manutenção, BP.TT; 21/10547-3 - Investigação de representações por múltiplos níveis em tarefas de reconhecimento de multimídias, BP.IC; + mais bolsas vinculadas 21/02023-4 - Estratégias para Seleção de Classificadores Baseadas em Programação Genética para Reconhecimento de Dados Multimídia, BP.MS; 21/02739-0 - Modelos de atenção visual baseados em técnicas de análises de vídeos no domínio comprimido, BP.MS; 21/01870-5 - Métodos de Fusão de Representações Multi-nível baseado em Aprendizagem Fracamente Supervisionada., BP.MS; 20/11366-0 - Suporte para ambiente computacional e execução de experimentos: aprendizado fracamente supervisionado e fusão de métodos de classificação, BP.TT; 20/12101-0 - Suporte para o ambiente computacional e execução de experimentos: aquisição de dados, categorização e manutenção, BP.TT; 20/08770-3 - Métodos de reconhecimento multimídia com uso de redes profundas para conjuntos abertos, BP.MS; 20/08854-2 - Investigação de medidas contextuais para aprendizado fracamente supervisionado baseadas em grafos, BP.IC; 19/11104-8 - Uma análise comparativa de métricas de correlação de ranqueamento para aprendizado fracamente supervisionado, BP.IC; 19/15837-0 - Máquinas de Boltzmann Restritas aplicadas para reconhecimento de ações baseadas em vídeo, BP.IC; 19/10998-5 - Investigação de características extraídas de vídeos comprimidos usando aprendizagem profunda, BP.IC; 19/07825-1 - Máquinas de Boltzmann em profundidade para reconhecimento de eventos em vídeos, BP.MS; 19/04754-6 - Aprendizado fracamente supervisionado baseado em métricas de Ranqueamentto, BP.MS - menos bolsas vinculadas
• Assunto(s): Modelos de aprendizagem Aprendizado computacional Aprendizado de máquina não supervisionado
• Palavra(s)-Chave do Pesquisador: Classification | compressed video | retrieval | weakly supervised learning | Visão Computacional, Aprendizado de Máquina e Recuperação de Informações

Resumo

Várias técnicas de aprendizagem de máquina baseiam-se em grandes conjuntos de dados rotulados para construir modelos preditivos em tarefas de aprendizado supervisionado. O uso de técnicas de aprendizado profundo pode ser destacado, já que tem sido amplamente utilizado com sucesso em vários domínios. Por outro lado, em muitas circunstâncias, os conjuntos rotulados não estão disponíveis ou são insuficientes para treinar modelos supervisionados efetivos. Tais cenários foram abordados principalmente por técnicas de aprendizagem não supervisionado, que consideram os dados não rotulados para descoberta de padrões em sua estrutura. No entanto, o uso de métodos completamente não supervisionados continua sendo um desafio de pesquisa em muitos cenários e situações. Uma solução promissora baseia-se no uso de abordagens fracamente supervisionadas, capazes de realizar tarefas de aprendizado com base em conjuntos rotulados incompletos ou inexatos. Neste projeto, pretendemos investigar a análise, recuperação e classificação de vídeos no domínio comprimido utilizando pequenos conjuntos de treinamento. O objetivo principal do projeto consiste em investigar e propor métodos capazes de analisar sequências de vídeo comprimido e gerar alertas de acordo com as aplicações consideradas. Tais abordagens podem ser úteis e relevantes em vários domínios, desde ambientes de vigilância, aplicações médicas e industriais, incluindo também casas inteligentes. O desafio de pesquisa fundamental consiste em fazer uso de diferentes técnicas para analisar, representar e classificar vídeos usando dados rotulados restritos. A abordagem proposta visa explorar o máximo de informação disponível, de forma a tornar a abordagem adequada para operar com pequenos conjuntos de dados de treinamento. Pretendemos explorar: (i) representações de aprendizado profundo; (ii) medidas contextuais não supervisionadas e; (iii) técnicas de fusão, para ampliar os conjuntos rotulados iniciais. O primeiro desafio a ser abordado é analisar e representar vídeos no domínio comprimido usando técnicas de aprendizado profundo. Com base nessas representações, pretendemos investigar estratégias para expandir os conjuntos de treinamento usando medidas contextuais não supervisionadas. Dado os conjuntos rotulados obtidos, as estratégias de fusão serão usadas para combinar diversos métodos de classificação e alertas desencadeantes. Embora os métodos que serão investigados possam ser usados em vários domínios, pretendemos selecionar domínios para validar as abordagens propostas. A seleção será realizada considerando a existência de conjuntos de dados públicos disponíveis para realizar avaliações experimentais. (AU)

Publicações científicas

(47)

(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)

FERREIRA, ALVARO R., JR.; DE ROSA, GUSTAVO H.; PAPA, JOAO P.; CARNEIRO, GUSTAVO; FARIA, FABIO A.; IEEE COMP SOC. Creating Classifier Ensembles through Meta-heuristic Algorithms for Aerial Scene Classification. 2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR), v. N/A, p. 8-pg., 2021-01-01. (14/12236-1, 18/23908-1, 17/25908-6, 19/07665-4, 19/02205-5)

RODER, MATEUS; PASSOS, LEANDRO APARECIDO; DE ROSA, GUSTAVO H.; DE ALBUQUERQUE, VICTOR HUGO C.; PAPA, JOAO PAULO. Reinforcing learning in Deep Belief Networks through nature-inspired optimization. APPLIED SOFT COMPUTING, v. 108, SEP 2021. (19/07825-1, 18/21934-5, 17/25908-6, 19/07665-4, 19/02205-5, 13/07375-0, 14/12236-1)

VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS. Graph -based selective rank fusion for unsupervised image retrieval. PATTERN RECOGNITION LETTERS, v. 135, p. 82-89, JUL 2020. (17/25908-6, 13/08645-0, 17/02091-4, 18/15597-6)

RODER, MATEUS; DE ROSA, GUSTAVO HENRIQUE; PAPA, JOAO PAULO; BREVE, FABRICIO APARECIDO; IEEE. Fine-Tuning Temperatures in Restricted Boltzmann Machines Using Meta-Heuristic Optimization. 2020 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC), v. N/A, p. 8-pg., 2020-01-01. (19/02205-5, 17/25908-6, 19/07825-1, 13/07375-0, 14/12236-1)

RODER, MATEUS; DE ROSA, GUSTAVO HENRIQUE; PASSOS, LEANDRO APARECIDO; PAPA, JOAO PAULO; DEBIASO ROSSI, ANDRE LUIS; IEEE. Harnessing Particle Swarm Optimization Through Relativistic Velocity. 2020 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC), v. N/A, p. 8-pg., 2020-01-01. (19/02205-5, 17/25908-6, 19/07825-1, 13/07375-0, 19/07665-4, 14/12236-1)

SUGI AFONSO, LUIS CLAUDIO; RODRIGUES, DOUGLAS; PAPA, JOAO PAULO. Nature-inspired optimum-path forest. EVOLUTIONARY INTELLIGENCE, SEP 2021. (17/25908-6, 18/21934-5, 14/12236-1, 13/07375-0, 19/07665-4)

DE SA, NIKOLAS GOMES; VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; FARINELLA, GM; RADEVA, P; BRAZ, J; BOUATOUCH, K. A Multi-level Rank Correlation Measure for Image Retrieval. VISAPP: PROCEEDINGS OF THE 16TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS THEORY AND APPLICATIONS - VOL. 5: VISAPP, v. N/A, p. 9-pg., 2021-01-01. (17/25908-6, 18/15597-6, 19/11104-8)

DOS SANTOS, SAMUEL FELIPE; SEBE, NICU; ALMEIDA, JURANDY; IEEE. THE GOOD, THE BAD, AND THE UGLY: NEURAL NETWORKS STRAIGHT FROM JPEG. 2020 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP), v. N/A, p. 5-pg., 2020-01-01. (18/21837-0, 17/25908-6)

DE ROSA, GUSTAVO H.; PAPA, JOAO P.; YANG, XIN-SHE. A nature-inspired feature selection approach based on hypercomplex information. APPLIED SOFT COMPUTING, v. 94, SEP 2020. (13/07375-0, 16/19403-6, 14/12236-1, 17/25908-6, 17/02286-0, 19/02205-5)

LOPES, LEONARDO TADEU; GUIMARAES PEDRONETTE, DANIEL CARLOS; IEEE. Self-Supervised Clustering based on Manifold Learning and Graph Convolutional Networks. 2023 IEEE/CVF WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV), v. N/A, p. 10-pg., 2023-01-01. (18/15597-6, 17/25908-6)

GONCALVES, FILIPE MARCEL FERNANDES; PEDRONETTE, DANIEL CARLOS GUIMARAES; TORRES, RICARDO DA SILVA. Regression by Re-Ranking. PATTERN RECOGNITION, v. 140, p. 17-pg., 2023-04-09. (13/50155-0, 18/15597-6, 14/12236-1, 16/50250-1, 15/24494-8, 17/25908-6, 17/20945-0)

ASCENCAO, NATHALIA Q.; AFONSO, LUIS C. S.; COLOMBO, DANILO; OLIVEIRA, LUCIANO; PAPA, JOAO P.; IEEE. Information Ranking Using Optimum-Path Forest. 2020 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2020-01-01. (18/15597-6, 14/12236-1, 19/07665-4, 13/07375-0, 17/25908-6)

FARIA, FABIO AUGUSTO; CARNEIRO, GUSTAVO; IEEE. Why are Generative Adversarial Networks so Fascinating and Annoying?. 2020 33RD SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2020), v. N/A, p. 8-pg., 2020-01-01. (18/23908-1, 17/25908-6)

RIBEIRO, LUIZ C. F.; DE ROSA, GUSTAVO H.; RODRIGUES, DOUGLAS; PAPA, JOAO P.. Convolutional neural networks ensembles through single-iteration optimization. SOFT COMPUTING, v. 26, n. 8, p. 12-pg., 2022-01-29. (14/12236-1, 19/07665-4, 13/07375-0, 17/25908-6, 19/02205-5, 18/21934-5)

RODER, MATEUS; ALMEIDA, JURANDY; DE ROSA, GUSTAVO H.; PASSOS, LEANDRO A.; ROSSI, ANDRE L. D.; PAPA, JOAO P.; IEEE. From Actions to Events: A Transfer Learning Approach Using Improved Deep Belief Networks. 2021 IEEE SYMPOSIUM SERIES ON COMPUTATIONAL INTELLIGENCE (IEEE SSCI 2021), v. N/A, p. 8-pg., 2021-01-01. (13/07375-0, 19/07825-1, 17/25908-6, 19/07665-4)

PIMENTA, GUILHERME B. A.; DALLAQUA, FERNANDA B. J. R.; FAZENDA, ALVARO; FARIA, FABIO A.; DECARVALHO, BM; GONCALVES, LMG. Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests. 2022 35TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2022), v. N/A, p. 6-pg., 2022-01-01. (19/26702-8, 15/24485-9, 14/50937-1, 18/23908-1, 17/25908-6)

DE FERNANDO, FILIPE ALVES; GUIMARAES PEDRONETTE, DANIEL CARLOS; DE SOUSA, GUSTAVO JOSE; VALEM, LUCAS PASCOTTI; GUILHERME, IVAN RIZZO; FARINELLA, GM; RADEVA, P; BRAZ, J. RaDE: A Rank-based Graph Embedding Approach. VISAPP: PROCEEDINGS OF THE 15TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS THEORY AND APPLICATIONS, VOL 4: VISAPP, v. N/A, p. 11-pg., 2020-01-01. (17/25908-6, 18/15597-6)

GUIMARAES PEDRONETTE, DANIEL CARLOS; PASCOTTI VALEM, LUCAS; LATECKI, LONGIN JAN. Efficient Rank-Based Diffusion Process with Assured Convergence. JOURNAL OF IMAGING, v. 7, n. 3, MAR 2021. (20/11366-0, 18/15597-6, 17/25908-6)

NETO, VICENTE COELHO LOBO; PASSOS, LEANDRO APARECIDO; PAPA, JOAO PAULO; KRZHIZHANOVSKAYA, VV; ZAVODSZKY, G; LEES, MH; DONGARRA, JJ; SLOOT, PMA; BRISSOS, S; TEIXEIRA, J. Evolving Long Short-Term Memory Networks. COMPUTATIONAL SCIENCE - ICCS 2020, PT II, v. 12138, p. 14-pg., 2020-01-01. (17/25908-6, 18/10100-6, 13/07375-0, 14/12236-1, 19/07665-4)

GUIMARAES PEDRONETTE, DANIEL CARLOS; LATECKI, LONGIN JAN. Rank-based self-training for graph convolutional networks. INFORMATION PROCESSING & MANAGEMENT, v. 58, n. 2, MAR 2021. (17/25908-6, 18/15597-6)

VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS. Unsupervised selective rank fusion for image retrieval tasks. Neurocomputing, v. 377, p. 182-199, FEB 15 2020. (17/25908-6, 17/02091-4, 18/15597-6)

ROZIN, BIONDA; PEREIRA-FERRERO, VANESSA HELENA; LOPES, LEONARDO TADEU; PEDRONETTE, DANIEL CARLOS GUIMARAES. A rank-based framework through manifold learning for improved clustering tasks. INFORMATION SCIENCES, v. 580, p. 202-220, NOV 2021. (17/25908-6, 20/02183-9, 20/08854-2, 18/15597-6)

SANTANA, MARCOS C. S.; PASSOS, JR., LEANDRO APARECIDO; MOREIRA, THIERRY P.; COLOMBO, DANILO; DE ALBUQUERQUE, VICTOR HUGO C.; PAPA, JOAO PAULO. A Novel Siamese-Based Approach for Scene Change Detection With Applications to Obstructed Routes in Hazardous Environments. IEEE INTELLIGENT SYSTEMS, v. 35, n. 1, p. 44-53, JAN-FEB 2020. (14/12236-1, 13/07375-0, 17/25908-6, 16/19403-6)

GUIMARAES PEDRONETTE, DANIEL CARLOS; VALEM, LUCAS PASCOTTI; ALMEIDA, JURANDY; TONES, RICARDO DA S.. Multimedia Retrieval Through Unsupervised Hypergraph-Based Manifold Ranking. IEEE Transactions on Image Processing, v. 28, n. 12, p. 5824-5838, DEC 2019. (14/50715-9, 16/50250-1, 17/25908-6, 17/20945-0, 14/12236-1, 16/06441-7, 18/15597-6, 13/50155-0, 17/02091-4, 15/24494-8)

GUIMARAES PEDRONETTE, DANIEL CARLOS; WENG, YING; BALDASSIN, ALEXANDRO; HOU, CHAOHUAN. Semi-supervised and active learning through Manifold Reciprocal kNN Graph for image retrieval. Neurocomputing, v. 340, p. 19-31, MAY 7 2019. (17/25908-6, 13/08645-0)

SILVA, LUCAS F. A.; PEDRONETTE, DANIEL C. G.; FARIA, FABIO A.; PAPA, JOAO P.; ALMEIDA, JURANDY; IEEE COMP SOC. Improving Transferability of Domain Adaptation Networks Through Domain Alignment Layers. 2021 34TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2021), v. N/A, p. 8-pg., 2021-01-01. (14/12236-1, 18/15597-6, 17/25908-6, 19/07665-4, 13/07375-0)

PEREIRA-FERRERO, VANESSA HELENA; VALEM, LUCAS PASCOTTI; PEDRONETTE, DANIEL CARLOS GUIMARAES. Feature augmentation based on manifold ranking and LSTM for image classification (R). EXPERT SYSTEMS WITH APPLICATIONS, v. 213, p. 16-pg., 2023-03-01. (17/25908-6, 20/02183-9, 18/15597-6, 20/11366-0)

DOS SANTOS, SAMUEL FELIPE; ALMEIDA, JURANDY; IEEE. Faster and Accurate Compressed Video Action Recognition Straight from the Frequency Domain. 2020 33RD SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2020), v. N/A, p. 7-pg., 2020-01-01. (17/25908-6)

CAMPOS, VICTOR DE ABREU; GUIMARAES PEDRONETTE, DANIEL CARLOS. A framework for speaker retrieval and identification through unsupervised learning. COMPUTER SPEECH AND LANGUAGE, v. 58, p. 153-174, NOV 2019. (17/25908-6, 15/07934-4, 18/15597-6)

DE SOUZA, RENATO WILLIAM R.; DE OLIVEIRA, JOAO VITOR CHAVES; PASSOS, JR., LEANDRO A.; DING, WEIPING; PAPA, JOAO P.; DE ALBUQUERQUE, VICTOR HUGO C.. A Novel Approach for Optimum-Path Forest Classification Using Fuzzy Logic. IEEE TRANSACTIONS ON FUZZY SYSTEMS, v. 28, n. 12, p. 3076-3086, DEC 2020. (13/07375-0, 17/25908-6, 18/21934-5, 16/19403-6, 14/12236-1)

GUIMARAES PEDRONETTE, DANIEL CARLOS; VALEM, LUCAS PASCOTTI; TORRES, RICARDO DA S.. A BFS-Tree of ranking references for unsupervised manifold learning. PATTERN RECOGNITION, v. 111, MAR 2021. (16/50250-1, 15/24494-8, 13/50155-0, 18/15597-6, 13/50169-1, 17/20945-0, 14/12236-1, 17/25908-6, 14/50715-9)

DE ALMEIDA, LUCAS BARBOSA; PEREIRA-FERRERO, VANESSA HELENA; VALEM, LUCAS PASCOTTI; ALMEIDA, JURANDY; GUIMARAES PEDRONETTE, DANIEL CARLOS; IEEE COMP SOC. Representation Learning for Image Retrieval through 3D CNN and Manifold Ranking. 2021 34TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2021), v. N/A, p. 8-pg., 2021-01-01. (18/15597-6, 20/02183-9, 17/25908-6)

SCARPARO, DANIELE CRISTINA; PINHEIRO SALVADEO, DENIS HENRIQUE; GUIMARAES PEDRONETTE, DANIEL CARLOS; BARUFALDI, BRUNO; ARNOLD MAIDMENT, ANDREW DOUGLAS. Evaluation of denoising digital breast tomosynthesis data in both projection and image domains and a study of noise model on digital breast tomosynthesis image domain. JOURNAL OF MEDICAL IMAGING, v. 6, n. 3, JUL 2019. (16/09714-4, 17/17811-2, 17/25908-6)

VALEM, LUCAS PASCOTTI; PEDRONETTE, DANIEL CARLOS GUIMARAES; LATECKI, LONGIN JAN. Graph Convolutional Networks based on manifold learning for semi-supervised image classification. COMPUTER VISION AND IMAGE UNDERSTANDING, v. 227, p. 14-pg., 2023-01-06. (17/25908-6, 18/15597-6, 20/11366-0)

GONCALVES DOS SANTOS, CLAUDIO FILIPI; MOREIRA, THIERRY PINHEIRO; COLOMBO, DANILO; PAPA, JOAO PAULO; NYSTROM, I; HEREDIA, YH; NUNEZ, VM. Does Pooling Really Matter? An Evaluation on Gait Recognition. PROGRESS IN PATTERN RECOGNITION, IMAGE ANALYSIS, COMPUTER VISION, AND APPLICATIONS (CIARP 2019), v. 11896, p. 10-pg., 2019-01-01. (16/06441-7, 17/25908-6, 14/12236-1, 13/07375-0)

CAMACHO PRESOTTO, JOAO GABRIEL; VALEM, LUCAS PASCOTTI; PEDRONETTE, DANIEL CARLOS GUIMARAES; VENTO, M; PERCANNELLA, G. Unsupervised Effectiveness Estimation Through Intersection of Ranking References. COMPUTER ANALYSIS OF IMAGES AND PATTERNS, CAIP 2019, PT II, v. 11679, p. 14-pg., 2019-01-01. (18/15597-6, 17/25908-6, 17/02091-4)

GONCALVES DO SANTOS, CLAUDIO FILIPI; COLOMBO, DANILO; RODER, MATEUS; PAPA, JOAO PAULO; IEEE COMP SOC. MaxDropout: Deep Neural Network Regularization Based on Maximum Output Values. 2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR), v. N/A, p. 6-pg., 2021-01-01. (14/12236-1, 19/07825-1, 13/07375-0, 17/25908-6)

FONTINELE, JEFFERSON; MENDONCA, MARCELO; RUIZ, MARCO; PAPA, JOAO; OLIVEIRA, LUCIANO; IEEE. Faster alpha-expansion via dynamic programming and image partitioning. 2020 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2020-01-01. (13/07375-0, 14/12236-1, 17/25908-6)

VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; ACM. A Denoising Convolutional Neural Network for Self-Supervised Rank Effectiveness Estimation on Image Retrieval. PROCEEDINGS OF THE 2021 INTERNATIONAL CONFERENCE ON MULTIMEDIA RETRIEVAL (ICMR '21), v. N/A, p. 9-pg., 2021-01-01. (18/15597-6, 17/25908-6, 20/11366-0)

VALEM, LUCAS PASCOTTI; PEDRONETTE, DANIEL CARLOS GUIMARAES. Person Re-ID through unsupervised hypergraph rank selection and fusion. Image and Vision Computing, v. 123, p. 14-pg., 2022-05-31. (18/15597-6, 17/25908-6)

VALEM, LUCAS PASCOTTI; GUIMARDES PEDRONETTE, DANIEL CARLOS; ASSOC COMP MACHINERY. An Unsupervised Genetic Algorithm Framework for Rank Selection and Fusion on Image Retrieval. ICMR'19: PROCEEDINGS OF THE 2019 ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA RETRIEVAL, v. N/A, p. 5-pg., 2019-01-01. (18/15597-6, 17/25908-6, 17/02091-4)

DE SOUZA MIRANDA, MATEUS; ALVARENGA E SILVA, LUCAS FERNANDO; DOS SANTOS, SAMUEL FELIPE; DE SANTIAGO JUNIOR, VALDIVINO ALEXANDRE; KORTING, THALES SEHN; ALMEIDA, JURANDY; DECARVALHO, BM; GONCALVES, LMG. A High-Spatial Resolution Dataset and Few-shot Deep Learning Benchmark for Image Classification. 2022 35TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2022), v. N/A, p. 6-pg., 2022-01-01. (17/25908-6, 20/08770-3)

VALEM, LUCAS PASCOTTI; PEDRONETTE, DANIEL CARLOS GUIMARAES; LATECKI, LONGIN JAN. Rank Flow Embedding for Unsupervised and Semi-Supervised Manifold Learning. IEEE Transactions on Image Processing, v. 32, p. 16-pg., 2023-01-01. (18/15597-6, 17/25908-6)

DOS SANTOS, SAMUEL FELIPE; SEBE, NICU; ALMEIDA, JURANDY; IEEE. CV-C3D: Action Recognition on Compressed Videos with Convolutional 3D Networks. 2019 32ND SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 7-pg., 2019-01-01. (17/25908-6, 18/21837-0)

PRESOTTO, JOAO GABRIEL CAMACHO; DOS SANTOS, SAMUEL FELIPE; VALEM, LUCAS PASCOTTI; FARIA, FABIO AUGUSTO; PAPA, JOAO PAULO; ALMEIDA, JURANDY; PEDRONETTE, DANIEL CARLOS GUIMARAES. Weakly supervised learning based on hypergraph manifold ranking?. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION, v. 89, p. 12-pg., 2022-10-25. (18/15597-6, 18/23908-1, 17/25908-6, 19/04754-6, 20/11366-0)

GONCALVES DOS SANTOS, CLAUDIO FILIPI; PAPA, JOAO PAULO. Avoiding Overfitting: A Survey on Regularization Methods for Convolutional Neural Networks. ACM COMPUTING SURVEYS, v. 54, n. 10S, p. 25-pg., 2022-01-01. (14/12236-1, 17/25908-6)

LOPES, LEONARDO TADEU; VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; GUILHERME, IVAN RIZZO; PAPA, JOAO PAULO; SILVA SANTANA, MARCOS CLEISON; COLOMBO, DANILO; FARINELLA, GM; RADEVA, P; BRAZ, J. Manifold Learning-based Clustering Approach Applied to Anomaly Detection in Surveillance Videos. VISAPP: PROCEEDINGS OF THE 15TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS THEORY AND APPLICATIONS, VOL 4: VISAPP, v. N/A, p. 9-pg., 2020-01-01. (18/15597-6, 14/12236-1, 13/07375-0, 17/25908-6, 19/07825-1, 18/21934-5)