Morfologia Matemática e Redes Neurais Morfológicas para Dados Multi-valorados

• Processo: 19/02278-2
• Linha de fomento: Auxílio à Pesquisa - Regular
• Vigência: 01 de maio de 2019 - 30 de abril de 2021
• Área do conhecimento: Ciências Exatas e da Terra - Matemática - Matemática Aplicada
• Pesquisador responsável: Marcos Eduardo Ribeiro Do Valle Mesquita
• Beneficiário: Marcos Eduardo Ribeiro Do Valle Mesquita
• Instituição-sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Inteligência computacional Redes neurais Morfologia matemática

Resumo

A morfologia matemática é uma teoria não-linear com aplicações em processamento e análise de imagens. Uma rede neural cujos neurônios efetuam operações elementares da morfologia matemática é chamada rede neural morfológica. Tal como as redes neurais tradicionais, redes neurais morfológicas podem ser usadas para classificação e regressão. Nesse projeto de pesquisa, visamos contribuir desenvolvendo operadores morfológicos para imagens multi-valoradas. Atenção particular será dada para operadores morfológicos obtidos utilizando uma ordem reduzida supervisionada. Também direcionaremos nossos estudos considerando incertezas que surgem em imagens reais ou subjetividade na descrição dos valores de uma imagem multi-valorada. Como aplicação direta dos resultados obtidos para a morfologia matemática multi-valorada, pretendemos desenvolver redes neurais morfológicas para dados multi-valorados. Redes neurais para dados multi-valorados representam um tópico ativo de pesquisa e incluem, por exemplo, as redes neurais hipercomplexas e as redes em cápsulas. Em particular, investigaremos as recentes memórias autoassociativas de projeção em reticulados completos que, além do baixo custo computacional e da simplicidade teórica, apresentaram resultados promissores em problemas de reconhecimento de faces. (AU)

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)

VALLE, MARCOS EDUARDO. Reduced Dilation-Erosion Perceptron for Binary Classification. MATHEMATICS, v. 8, n. 4, APR 2020. (19/02278-2)

DE CASTRO, FIDELIS ZANETTI; VALLE, MARCOS EDUARDO. A broad class of discrete-time hypercomplex-valued Hopfield neural networks. NEURAL NETWORKS, v. 122, p. 54-67, FEB 2020. (19/02278-2)

VALLE, MARCOS EDUARDO; LOBO, RODOLFO ANIBAL. Hypercomplex-valued recurrent correlation neural networks. Neurocomputing, v. 432, p. 111-123, APR 7 2021. (19/02278-2)