| Processo: | 22/10909-5 |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Data de Início da vigência: | 01 de março de 2023 |
| Data de Término da vigência: | 31 de agosto de 2025 |
| Área do conhecimento: | Engenharias - Engenharia Elétrica - Telecomunicações |
| Pesquisador responsável: | Miguel Arjona Ramírez |
| Beneficiário: | Miguel Arjona Ramírez |
| Instituição Sede: | Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil |
| Pesquisadores associados: | Celso Setsuo Kurashima ; Demostenes Zegarra Rodriguez ; Mario Minami ; Renata Lopes Rosa ; Wesley Beccaro |
| Bolsa(s) vinculada(s): | 23/11258-0 - Avaliação de qualidade de voz em redes de novas gerações que considerem fenômenos atmosféricos utilizando aprendizado de máquina, BP.TT |
| Assunto(s): | Processamento de sinais Aprendizado computacional Processamento de imagens Otimização Representação espacial |
| Palavra(s)-Chave do Pesquisador: | Audio Processing | Differentiable Signal Processing | Image processing | machine learning | Optimization | speech analysis | Processamento de Sinais e Aprendizagem de Máquina |
Resumo
Este plano de pesquisa aborda sinais temporais e espaciais tais como voz, áudio e imagens no seu processamento para a obtenção e aplicação de características para aprendizagem baseadas em funções-objetivo diferenciáveis. Ao longo do processo, é importante a conversão dos sinais a partir de seus domínios de origem para outros mais adequados e significativos, resultando em representações espectrais ou espectro-temporais com o objetivo de evidenciar características mais apropriadas paratarefas específicas. Elas podem ser alcançadas através de transformadas diretas como a transformada de Fourier de curto prazo (STFT) ou pela aplicação de filtros em associação com métodos correlacionais, preditivos ou cepstrais diretamente ou através de mecanismos adaptativos como as redes neurais convolucionais (CNNs), redes neurais recorrentes (RNNs) e camadas "transformer" providas de mecanismos de atenção. Para estas últimas, as representações dão-se através de variáveis latentes, podendo acarretar a necessidade de interpretações ou de métodos de regularização associados dependendo da tarefa objetivada. Com uma base comum de técnicas de aprendizagem de máquina, tem-se em vista uma gama de tarefas tais como análise e síntese de voz, realce e separação de sinais de voz e de áudio espaciais, métodos objetivos de avaliação de qualidade de voz baseados em medidas perceptivas bem como a identificação de regiões de interesse em imagens. (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) |