Projeto automático de operadores de imagens: extensão e contextualização para reticulados não necessariamente booleanos

• Processo: 11/23310-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de abril de 2012
• Data de Término da vigência: 31 de março de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Roberto Hirata Junior
• Beneficiário: Igor dos Santos Montagner
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Bolsa(s) vinculada(s): 14/21692-0 - Explorando representações de alto nível em aprendizado automático de operadores, BE.EP.DD
• Assunto(s): Processamento de imagens Aprendizado computacional Python Morfologia matemática Reticulados Álgebras de Boole
• Palavra(s)-Chave do Pesquisador: Aprendizado Computacional | Morfologia Matemática | Projeto de operadores entre reticulados | reticulados | Processamento de imagens

Resumo

A pesquisa em projeto automático de operadores entre imagens tem como motivação o fato de não ser fácil concatenar operadores de imagens e ajustar os seus parâmetros para resolver um problema. Avanços significativos nessa pesquisa foram feitos no âmbito dos reticulados booleanos, isto é, no projeto de operadores entre imagens binárias. O mesmo não ocorreu no caso dos reticulados não booleanos. Uma das principais razões disso é que, neste caso, os desafios que são impostos são ainda maiores, principalmente pelo fato do tamanho do espaço de hipóteses (número de operadores) ser dado por $k^{k^|W|}$, onde $|W|$ é o tamanho da vizinhança analisada para a estimação do operador e $k$ é a quantidade de níveis de cinza considerados. O objetivo deste projeto é avançar o estado-da-arte do projeto de operadores para níveis de cinza e aplicar o método a problemas reais de grande importância como a segmentação de imagens e a detecção de marcadores em imagens. Um segundo objetivo de igual importância é a disponibilização de uma biblioteca, de código aberto, para a comunidade científica com os métodos pesquisados e implementados durante o projeto. Essa biblioteca estará integrada ao Python, o que aumentará o impacto do trabalho pois a comunidade poderá usar-se dela para resolver seus problemas de imagens. (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)

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)

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)

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)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

MONTAGNER, Igor dos Santos. Aprendizado de w-operadores usando modelos lineares para imagens binárias e em níveis de cinza. 2017. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Matemática e Estatística (IME/SBI) São Paulo.