Aprendendo características de conteúdo visual sob condições de supervisão limitada utilizando múltiplos domínios

• Processo: 18/22482-0
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de março de 2019
• Data de Término da vigência: 31 de maio de 2021
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: Moacir Antonelli Ponti
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Pesquisadores associados: John Collomosse
• Auxílio(s) vinculado(s): 19/16379-5 - Cross-domain visual representations under limited supervision and via transfer of learning, AP.R SPRINT
• Assunto(s): Visão computacional Aprendizado computacional Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Reconhecimento de Padrões | Visão Computacional

Resumo

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. Nesse projeto trataremos o problema do aprendizado de caracter[iticas a partir de sinais, imagens e vídeos, sob supervisão limitada. Serão abordados ambos os problemas de encontrar uma imersão para um conjunto de dados, mas também entre domínios, o que significa encontrar estratégias para casar conteúdo de uma dada tarefa ao longo de diferentes dados ou domínios. Pretende-se contribuir investigando novos modelos e arquiteturas alternativas aos métodos correntes, incluindo modelos geradores, auto-encoders e outros, que permitam vencer os atuais desafios. (AU)

Publicações científicas

(9)

(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)

BET, PATRICIA; CASTRO, PAULA C.; PONTI, MOACIR A.. Fall detection and fall risk assessment in older person using wearable sensors: A systematic review. INTERNATIONAL JOURNAL OF MEDICAL INFORMATICS, v. 130, OCT 2019. (13/07375-0, 18/22482-0)

DOS SANTOS, FERNANDO P.; RIBEIRO, LEONARDO S. F.; PONTI, MOACIR A.. Generalization of feature embeddings transferred from different video anomaly detection domains. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION, v. 60, p. 407-416, APR 2019. (13/07375-0, 18/22482-0, 17/22366-8)

SOARES, V. H. A.; PONTI, M. A.; GONCALVES, R. A.; CAMPELLO, R. J. G. B.. Cattle counting in the wild with geolocated aerial images in large pasture areas. COMPUTERS AND ELECTRONICS IN AGRICULTURE, v. 189, OCT 2021. (18/22482-0)

BET, PATRICIA; CASTRO, PAULA C.; PONTI, MOACIR A.. Foreseeing future falls with accelerometer features in active community-dwelling older persons with no recent history of falls. Experimental Gerontology, v. 143, JAN 2021. (13/07375-0, 18/22482-0)

DOS SANTOS, FERNANDO P.; ZOR, CEMRE; KITTLER, JOSEF; PONTI, MOACIR A.. Learning image features with fewer labels using a semi-supervised deep convolutional network. NEURAL NETWORKS, v. 132, p. 131-143, DEC 2020. (19/07316-0, 18/22482-0)

VOGADO, LUIS; VERAS, RODRIGO; AIRES, KELSON; ARAUJO, FLAVIO; SILVA, ROMUERE; PONTI, MOACIR; TAVARES, JOAO MANUEL R. S.. Diagnosis of Leukaemia in Blood Slides Based on a Fine-Tuned and Highly Generalisable Deep Learning Model. SENSORS, v. 21, n. 9, MAY 2021. (18/22482-0)

OLIVEIRA DE RESENDE, DAMARES CRYSTINA; PONTI, MOACIR ANTONELLI. obust image features for classification and zero-shot tasks by merging visual and semantic attribute. NEURAL COMPUTING & APPLICATIONS, v. 34, n. 6, JAN 2022. (18/22482-0, 19/07316-0)

DOS SANTOS, FERNANDO PEREIRA; PONTI, MOACIR ANTONELLI; IEEE. Alignment of Local and Global Features from Multiple Layers of Convolutional Neural Network for Image Classification. 2019 32ND SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 8-pg., 2019-01-01. (13/07375-0, 18/22482-0)

NAZARE, TIAGO S.; DE MELLO, RODRIGO F.; PONTI, MOACIR A.; FARINELLA, GM; RADEVA, P; BRAZ, J; BOUATOUCH, K. Investigating 3D Convolutional Layers as Feature Extractors for Anomaly Detection Systems Applied to Surveillance Videos. 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. 10-pg., 2021-01-01. (13/07375-0, 15/04883-0, 18/22482-0)