Combinação de características locais e globais em aprendizagem de operadores de imagens

• Processo: 15/17741-9
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de dezembro de 2015
• Data de Término da vigência: 28 de fevereiro de 2018
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Nina Sumiko Tomita Hirata
• Beneficiário: Nina Sumiko Tomita Hirata
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Pesquisadores associados: Roberto Hirata Junior
• Bolsa(s) vinculada(s): 16/06020-1 - Combinação de operadores no TRIOSLib, BP.TT
• Assunto(s): Aprendizado computacional Visão computacional Processamento de imagens Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: Aprendizagem de Maquina | Classificação de Padrões | operadores morfológicos | Processamento de imagens | Visão Computacional | Processamento de imagens e aprendizagem de máquina

Resumo

O problema de projeto de operadores morfológicos pode ser modelado no contexto de aprendizagem de máquina como um problema de aprendizado de uma função local que mapeia o padrão observado em cada ponto da imagem para um valor de saída. Uma característica interessante dos operadores morfológicos é o fato de eles permitirem uma interpretação intuitiva de seus efeitos, uma vez que sua concepção é fortemente baseada em explorar informação de forma e de topologia. Além disso, eles são formalmente bem caracterizados por fundamentos teóricos sólidos. Porém, por construção, operadores morfológicos não possuem propriedades interessantes como invariância à escala e à rotação e também não levam em consideração informações globais ou de contexto. Neste projeto, o objetivo principal é avançar os métodos existentes para projeto de operadores morfológicos para que estes sejam capazes de tratar objetos de diferentes escalas e levem em consideração informações globais e de contexto. Para tanto, a principal ideia a ser explorada é o uso de descritores de características diversas citados na literatura da área, de forma acoplada ao arcabouço de combinação de operadores. Deverão ser investigados os aspectos teóricos, estatísticos e práticos associados. Aplicações em processamento de imagens de documentos são planejadas como meio para validação dos métodos a serem desenvolvidos. (AU)

Publicações científicas

(7)

(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)

HIRATA, NINA S. T.; MONTAGNER, IGOR S.; HIRATA, ROBERTO, JR.; ACM. Comics image processing: learning to segment text. PROCEEDINGS OF THE 1ST INTERNATIONAL WORKSHOP ON COMICS ANALYSIS, PROCESSING AND UNDERSTANDING (MANPU 2016), v. N/A, p. 6-pg., 2016-01-01. (11/23310-0, 15/01587-0, 15/17741-9, 14/21692-0)

JULCA-AGUILAR, FRANK D.; MAIA, ANA L. L. M.; HIRATA, NINA S. T.; IEEE. Text/non-text classification of connected components in document images. 2017 30TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 6-pg., 2017-01-01. (16/06020-1, 15/17741-9)

MAIA, ANA L. L. M.; JULCA-AGUILAR, FRANK D.; HIRATA, NINA S. T.; IEEE. A Machine Learning approach for Graph-based Page Segmentation. PROCEEDINGS 2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 8-pg., 2018-01-01. (15/17741-9)

MONTAGNER, IGOR S.; HIRATA, NINA S. T.; HIRATA, JR., ROBERTO. Staff removal using image operator learning. PATTERN RECOGNITION, v. 63, p. 310-320, MAR 2017. (11/23310-0, 15/17741-9, 11/00325-1, 14/21692-0)

JULCA-AGUILAR, FRANK D.; HIRATA, NINA S. T.; IEEE. Image operator learning coupled with CNN classification and its application to staff line removal. 2017 14TH IAPR INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION (ICDAR), VOL 1, v. N/A, p. 6-pg., 2017-01-01. (15/17741-9, 16/06020-1)

JULCA-AGUILAR, FRANK D.; HIRATA, NINA S. T.; IEEE. Symbol detection in online handwritten graphics using Faster R-CNN. 2018 13TH IAPR INTERNATIONAL WORKSHOP ON DOCUMENT ANALYSIS SYSTEMS (DAS), v. N/A, p. 6-pg., 2018-01-01. (16/06020-1, 15/17741-9)

MONTAGNER, IGOR S.; HIRATA, NINA S. T.; HIRATA, ROBERTO, JR.; CANU, STEPHANE; IEEE. Kernel approximations for W-operator learning. 2016 29TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 8-pg., 2016-01-01. (11/50761-2, 15/01587-0, 11/23310-0, 14/21692-0, 15/17741-9)