Centro de Pesquisa e Desenvolvimento sobre Conhecimento ao Vivo

• Processo: 20/06950-4
• Modalidade de apoio: Auxílio à Pesquisa - Núcleos de Pesquisa Orientada a Problemas em São Paulo
• Data de Início da vigência: 01 de fevereiro de 2024
• Data de Término da vigência: 31 de janeiro de 2029
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: João Eduardo Ferreira
• Beneficiário: João Eduardo Ferreira
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Pesquisadores principais: Leliane Nunes de Barros ; Roberto Hirata Junior
• Pesquisadores associados: Calton Pu ; Denis Deratani Mauá ; José Antonio Visintin
• Assunto(s): Aprendizado computacional Aquisição do conhecimento Sistemas distribuídos Banco de dados Evidência
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aquisição de conhecimento baseado em Evidência | Detecção de Eventos Inéditos | Detecção de Veículos | Eventos e Objetos | Monitoramento automatizado | Monitoramento de Veículos | Banco de Dados, Aprendizado de Máquina Sistemas Distribuidos.

Resumo

O PIB do estado de São Paulo atingiu, em 2019, R$ 2,38 trilhões, com 2.5% de aumento em relação ao ano de 2018. Associado a esse crescimento, observa-se uma queda em alguns indicadores de criminalidade, apoiada pelo uso de um sistema de monitoramento semi automatizado de imagens. Entretanto, ainda persistem significativas demandas para a automatização inteligente do processo de monitoramento em vídeo ao vivo nas áreas de segurança pública, transporte inteligente e vigilância epidemiológica. Com centenas de milhões de câmeras de vídeo em várias cidades do mundo, os operadores humanos continuam sendo os principais usuários de dados de vídeo cujo volume encontra-se em crescimento explosivo. Essa situação precisa e tem que ser mudada para que o monitoramento automatizado de vídeo ao vivo em espaços abertos possa se tornar uma pedra angular do planejamento operacional. Apesar do sucesso em ambientes fechados, como aeroportos e shoppings (por exemplo, no reconhecimento de faces), o reconhecimento automatizado de eventos em espaços abertos continua sendo um grande, importante e urgente desafio de pesquisa e de desenvolvimento tecnológico. A dificuldade técnica e fundamental surge diante da ocorrência de eventos inéditos em ambientes abertos, excedendo o conhecimento dos classificadores de aprendizado de máquina (ML, do inglês Machine Learning), treinados e testados em conjuntos de dados fixados (Fixed Data), como, por exemplo, o CIFAR (Canadian Institute for Advanced Research). Especificamente, entidades e eventos inéditos, que aparecem como valores discrepantes, geralmente são considerados ruídos por esses classificadores. Um exemplo trágico dessa limitação foi o acidente causado pelo sistema automático de pilotagem da Uber (Arizona, 2018), quando um pedestre caminhando com bicicleta foi fatalmente atropelado. A imprensa descreveu a causa do acidente como: "o software da Uber não reconhece seres humanos fora das faixas de pedestres". Esta proposta descreve o projeto denominado Automated Intelligent Monitoring System (AIMS), que tem por objetivo desenvolver pesquisas, tecnologias eficazes e capacitação de recursos humanos para o monitoramento em tempo real de vídeo ao vivo, pautado pela premissa de Aquisição de Conhecimento Baseada em Evidências (EBKA). Com a parceria entre a Universidade de São Paulo (USP), a Polícia Militar do Estado de São Paulo (PMESP), as empresas Avantia e Equinix e o Instituto Eldorado, o projeto AIMS contribuirá na detecção e rastreamento de objetos, como pessoas e veículos, e análise de eventos de interesse a fim de fornecer subsídios para um planejamento operacional eficiente da segurança pública, do transporte inteligente e também da vigilância epidemiológica. (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)

MARCONDES, DIEGO; SIMONIS, ADILSON; BARRERA, JUNIOR. Back to basics to open the black box. NATURE MACHINE INTELLIGENCE, v. 6, n. 5, p. 4-pg., 2024-05-17. (22/06211-2, 23/00256-7, 20/06950-4, 14/50937-1)

MARCONDES, DIEGO; BARRERA, JUNIOR. The Lattice Overparametrization Paradigm for the Machine Learning of Lattice Operators. DISCRETE GEOMETRY AND MATHEMATICAL MORPHOLOGY, DGMM 2024, v. 14605, p. 13-pg., 2024-01-01. (22/06211-2, 23/00256-7, 20/06950-4)

MARCONDES, DIEGO; FELDMAN, MARIANA; BARRERA, JUNIOR. An Algorithm to Train Unrestricted Sequential Discrete Morphological Neural Networks. DISCRETE GEOMETRY AND MATHEMATICAL MORPHOLOGY, DGMM 2024, v. 14605, p. 14-pg., 2024-01-01. (22/06211-2, 23/00256-7, 20/06950-4, 14/50937-1)