| Processo: | 16/16111-4 |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Data de Início da vigência: | 01 de fevereiro de 2017 |
| Data de Término da vigência: | 31 de janeiro de 2019 |
| Área do conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | Moacir Antonelli Ponti |
| Beneficiário: | Moacir Antonelli Ponti |
| Instituição Sede: | Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil |
| Pesquisadores associados: | John Collomosse |
| Assunto(s): | Visão computacional Aprendizagem profunda Sensoriamento remoto Reconhecimento de padrões Processamento de imagens |
| Palavra(s)-Chave do Pesquisador: | Aprendizado profundo | Processamento de imagens | Reconhecimento de Padrões | Recuperação de Imagens Baseada em Rascunhos | Sensoriamento Remoto | Visão Computacional |
Resumo
Métodos de aprendizado de características têm alcançado o estado da arte em diversas áreas. Apesar dos resultados excelentes obtidos em conjuntos de dados benchmark, ainda há pouco entendimento sobre seu funcionamento, e aplicações ainda a serem exploradas, em particular quando se considera arquiteturas que vão além das redes neurais convolucionais padrão. Nesse projeto, propomos o uso de aprendizado de características a partir de aplicações como a análise de imagens de sensoriamento remoto de baixa altitude para agricultura de precisão, e no mapeamento dos domínios rascunho e imagens, com foco na recuperação de imagens baseada em rascunhos. Cada uma dessas tarefas tem seus próprios desafios, mas em comum há o limite de dados rotulados disponível para treinamento. Esses desafios podem ser resolvidos utilizando aprendizado profundo desenvolvendo novas arquiteturas baseadas em auto-encoders, redes siamesas e modelos geradores.Propõe-se avaliar os modelos utilizando não apenas os dados benchmark, mas também avaliar a qualidade das representações por meio de técnicas de visualização e projeção como forma de análise dos espaços de características. Os resultados esperados incluem o desenvolvimento de modelos que, treinados com quantidade limitada de rótulos (ou ainda de forma não-supervisionada), sejam capazes de generalizar para dados e categorias não vistas. Além das contribuições na área de processamento de imagens e visão computacional, espera-se avançar o estado da arte nas aplicações. (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) |