DeepOrder: Ordenação Profunda para Morfologia Matemática de Valor Vetorial e Redes Neurais

• Processo: 23/03368-0
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de fevereiro de 2024
• Data de Término da vigência: 31 de janeiro de 2028
• Área do conhecimento: Ciências Exatas e da Terra - Matemática - Matemática Aplicada
• Acordo de Cooperação: ANR
• Pesquisador responsável: Marcos Eduardo Ribeiro Do Valle Mesquita
• Beneficiário: Marcos Eduardo Ribeiro Do Valle Mesquita
• Pesquisador Responsável no exterior: Santiago Velasco-Forero
• Instituição Parceira no exterior: ParisTech, França
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Pesquisadores associados: Joao Batista Florindo ; Peter Sussner
• Assunto(s): Aprendizagem profunda Morfologia matemática Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: Álgebra hipercomplexa | Aprendizado profundo | Morfologia Matemática | rede neural artificial | Aprendizado profundo, processamento e análise de imagens.

Resumo

Técnicas de aprendizado profundo alcançaram excelente desempenho em várias tarefas de processamento e análise de imagens. Redes profundas para imagens de valor vetorial representam um tópico de pesquisa ativo e incluem, por exemplo, redes neurais de valor hipercomplexo. A não linearidade desempenhada por algumas camadas e funções de ativação nas redes neurais profundas modernas está intimamente relacionada à morfologia matemática, uma teoria de operadores de imagem baseada em topológicos e geométricos. Este projeto de pesquisa visa desenvolver uma estrutura matemática que englobe morfologia matemática, álgebras hipercomplexas e aprendizagem profunda. Como resultado, esperamos desenvolver técnicas poderosas e robustas de aprendizado de máquina para processamento de imagens com valores vetoriais, levando em consideração conceitos topológicos e geométricos. (AU)