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  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: 1.
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.