Busca avançada
Ano de início
Entree

Novos métodos para aprendizado de hierarquias visuais profundas

Processo: 13/11359-0
Linha de fomento:Bolsas no Brasil - Pós-Doutorado
Vigência (Início): 01 de setembro de 2013
Vigência (Término): 28 de fevereiro de 2015
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Alexandre Xavier Falcão
Beneficiário:Giovani Chiachia
Instituição-sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Assunto(s):Visão computacional   Aprendizado computacional

Resumo

Enquanto os seres humanos demonstram habilidade impressionante no reconhecimento de objetos mesmo sob condições adversas de observação, a visão por computador ainda está restrita ao reconhecimento de objetos específicos sob condições de observação controladas. Com o intuito de reproduzir as habilidades humanas, neurocientistas que trabalham com visão vêm por muito tempo desvendando informações importantes sobre os mecanismos empregados pelo cérebro no processamento de informações visuais. Hoje em dia, o uso de hierarquias visuais feedforward, contendo muitas camadas com operações biologicamente plausíveis lineares e não-lineares, tem conferido aos computadores uma capacidade surpreendente na execução de tarefas como reconhecer faces, animais, veículos, e uma série de outros objetos. Uma propriedade interessante dessas hierarquias é que elas operam diretamente sobre o domínio da imagem, e que, com operações simples, elas são capazes de aprender passos para o processamento da imagem que, em abordagens tradicionais de visão computacional, teriam que ser manualmente projetados. Apesar desses resultados recentes, muitas questões persistem sobre como aprender hierarquias visuais profundas. Sua arquitetura, por exemplo, parece ser especialmente relevante. Outro aspecto relevante é como treinar tal hierarquia de tal forma que ela possa efetivamente aprender a extrair informações significativas das imagens. Neste projeto, nós propomos direções plausíveis para avançar nesses aspectos. Nós acreditamos que temos meios para progredir em tais direções -- apresentando resultados preliminares para uma delas -- e que o cumprimento das atividades a elas associadas nos permitirá obter novos níveis de desempenho em problemas difíceis de visão computacional, tais como reconhecimento facial não controlado, reconhecimento de objetos em geral, recuperação de imagens baseada em conteúdo, entre outros.

Publicações científicas (4)
(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)
RUPPERT, GUILHERME C. S.; CHIACHIA, GIOVANI; BERGO, FELIPE P. G.; FAVRETTO, FERNANDA O.; YASUDA, CLARISSA L.; ROCHA, ANDERSON; FALCAO, ALEXANDRE X. Medical image registration based on watershed transform from greyscale marker and multi-scale parameter search. COMPUTER METHODS IN BIOMECHANICS AND BIOMEDICAL ENGINEERING-IMAGING AND VISUALIZATION, v. 5, n. 2, p. 138-156, 2017. Citações Web of Science: 1.
BONDI, L.; BAROFFIO, L.; CESANA, M.; TAGLIASACCHI, M.; CHIACHIA, G.; ROCHA, A. Rate-energy-accuracy optimization of convolutional architectures for face recognition. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION, v. 36, p. 142-148, APR 2016. Citações Web of Science: 2.
MENOTTI, DAVID; CHIACHIA, GIOVANI; PINTO, ALLAN; SCHWARTZ, WILLIAM ROBSON; PEDRINI, HELIO; FALCAO, ALEXANDRE XAVIER; ROCHA, ANDERSON. Deep Representations for Iris, Face, and Fingerprint Spoofing Detection. IEEE Transactions on Information Forensics and Security, v. 10, n. 4, p. 864-879, APR 2015. Citações Web of Science: 136.
CHIACHIA, GIOVANI; FALCAO, ALEXANDRE X.; PINTO, NICOLAS; ROCHA, ANDERSON; COX, DAVID. Learning Person-Specific Representations From Faces in the Wild. IEEE Transactions on Information Forensics and Security, v. 9, n. 12, p. 2089-2099, DEC 2014. Citações Web of Science: 19.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.