Busca avançada
Ano de início
Entree

Deep learning e redes complexas aplicados em visão computacional

Processo: 16/18809-9
Linha de fomento:Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Vigência: 01 de setembro de 2017 - 31 de agosto de 2019
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Convênio/Acordo: IBM Brasil
Pesquisador responsável:Odemir Martinez Bruno
Beneficiário:Odemir Martinez Bruno
Instituição-sede: Instituto de Física de São Carlos (IFSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Empresa: IBM Brasil - Indústria, Máquinas e Serviços Ltda
Município: São Carlos
Pesq. associados:Alexandre Souto Martinez ; Joao Batista Florindo
Assunto(s):Visão computacional  Textura  Aprendizagem profunda  Reconhecimento de padrões  Redes complexas  Big data 

Resumo

Redes têm sido usadas com sucesso em muitas áreas do conhecimento, abrangendo praticamente todos os campos da ciência. A principal razão por trás do crescente interesse em redes reside no fato de que elas mostram uma perspectiva diferente das análises de dados tradicionais. Durante séculos, o paradigma de pesquisa científica foi governado por uma abordagem reducionista. Os avanços científicos e tecnológicos aumentaram a quantidade de dados e também incentivaram o desenvolvimento de computadores poderosos, que são capazes de processar e armazenar essa enorme quantidade de dados. Neste cenário, muitas vezes chamado de ''big data'', exige o desenvolvimento de um paradigma integrador da ciência, que é, naturalmente, abordado por redes. Durante as últimas décadas, Reconhecimento de Padrões (RP) tem sido amplamente utilizado em ambas ciências: aplicadas e fundamentais. Notavelmente, a maior parte das aplicações de RP trata de uma grande quantidade de dados, que são difíceis de manipular com a abordagem reducionista. A combinação de RP e redes surge como uma alternativa importante no cenário de big data para encontrar, identificar, analisar, e agrupar padrões que são inviáveis para lidar com outras abordagens. O reconhecimento de padrões em redes visa a caracterização das redes extraindo informações sobre a correlação entre vértices e sua relação com a topologia. Esta informação pode levar à compreensão de padrões de rede que estão intrinsecamente relacionados com o modelo de rede. Devido ao bom desempenho de tarefas de classificação e identificação, deep learning é um campo que atraiu a atenção de pesquisadores de big data e reconhecimento de padrões. Embora métodos de deep learning tem sido aplicados com sucesso em visão computacional e processamento de sinais, a combinação de deep learning e redes é algo muito recente, com muitos poucos trabalhos na literatura. No entanto, é uma pesquisa interessante e promissora. A proposta deste projeto é combinar as redes e deep learning para fins de reconhecimento de padrões em visão computacional. Na última década, o grupo proponente tem desenvolvido métodos para visão de computacional em vários problemas e obteve resultados muito bons com os métodos baseados em redes complexas. Desta forma, escolhemos a visão computacional como um caso de estudo da abordagem proposta: a combinação de deep learning e redes. Na visão computacional, três problemas específicos serão investigados: textura estática, textura dinâmica e análise de contorno de formas. Os resultados obtidos, podem ser usados imediatamente para visão computacional e tem potencial para ser estendido para qualquer aplicação que modela os dados como rede e exigi uma boa abordagem de reconhecimento de padrões. (AU)

Matéria(s) publicada(s) na Revista Pesquisa FAPESP sobre o auxílio:
Elevada produtividade 

Publicações científicas (6)
(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)
DE MESQUITA SA JUNIOR, JARBAS JOACI; RIBAS, LUCAS CORREIA; BRUNO, ODEMIR MARTINEZ. Randomized neural network based signature for dynamic texture classification. EXPERT SYSTEMS WITH APPLICATIONS, v. 135, p. 194-200, NOV 30 2019. Citações Web of Science: 0.
MESQUITA SA JUNIOR, JARBAS JOACIDE; BACKES, ANDRE RICARDO; BRUNO, ODEMIR MARTINEZ. Randomized neural network based signature for color texture classification. MULTIDIMENSIONAL SYSTEMS AND SIGNAL PROCESSING, v. 30, n. 3, p. 1171-1186, JUL 2019. Citações Web of Science: 0.
SCABINI, LEONARDO F. S.; CONDORI, RAYNER H. M.; GONCALVES, WESLEY N.; BRUNO, ODEMIR M. Multilayer complex network descriptors for color-texture characterization. INFORMATION SCIENCES, v. 491, p. 30-47, JUL 2019. Citações Web of Science: 0.
RIBAS, LUCAS CORREIA; GONCALVES, DIOGO NUNES; SILVA, JONATHAN DE ANDRADE; DE CASTRO, JR., AMAURY ANTONIO; BRUNO, ODEMIR MARTINEZ; GONCALVES, WESLEY NUNES. Fractal dimension of bag-of-visual words. PATTERN ANALYSIS AND APPLICATIONS, v. 22, n. 1, p. 89-98, FEB 2019. Citações Web of Science: 1.
MIRANDA, GISELE H. B.; MACHICAO, JEANETH; BRUNO, ODEMIR M. An optimized shape descriptor based on structural properties of networks. DIGITAL SIGNAL PROCESSING, v. 82, p. 216-229, NOV 2018. Citações Web of Science: 0.
DE MESQUITA SA JUNIOR, JARBAS JOACI; BACKES, ANDRE RICARDO; BRUNO, ODEMIR MARTINEZ. Randomized neural network based descriptors for shape classification. Neurocomputing, v. 312, p. 201-209, OCT 27 2018. Citações Web of Science: 3.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.
Mapa da distribuição dos acessos desta página
Para ver o sumário de acessos desta página, clique aqui.