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)
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |