Busca avançada
Ano de início
Entree

Otimização de hiperparâmetros em arquiteturas de aprendizado em profundidade

Processo: 13/20387-7
Linha de fomento:Bolsas no Exterior - Pesquisa
Vigência (Início): 01 de março de 2014
Vigência (Término): 28 de fevereiro de 2015
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:João Paulo Papa
Beneficiário:João Paulo Papa
Anfitrião: David Cox
Instituição-sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru, SP, Brasil
Local de pesquisa : Harvard University, Cambridge, Estados Unidos  
Vinculado ao auxílio:09/16206-1 - Novas tendências em reconhecimento de padrões baseado em floresta de caminhos ótimos, AP.JP
Assunto(s):Reconhecimento de padrões   Aprendizado computacional   Processamento de imagens

Resumo

Arquiteturas de aprendizado em profundidade tem sido amplamente estudadas nos últimos anos, dado que a sua filosofia consiste na utilização de uma complexa estrutura hierárquica para o aprendizado e representação de informações, de maneira análoga ao processamento neural humano. Tais arquiteturas consistem em várias etapas, que correspondem, basicamente, em submeter uma imagem (no caso de aplicações voltadas aos estudos na área de visão computacional, por exemplo) a um processo de filtragem utilizando um banco de filtros para posterior extração de informações e amostragem da mesma. Em seguida, essa imagem modificada é então submetida a uma nova camada de operações, iguais às conduzidas na camada anterior. Ao final do processo, obtém-se uma descrição em alta dimensão dessa imagem, sendo esta representação então utilizada em um processo de classificação tradicional. Ocorre que todo este processo requer um grande número de parâmetros (quantidade e tamanho dos filtros, taxa de amostragem e parâmetros inerentes ao processo de classificação, por exemplo), os quais são chamados de hiperparâmetros e são fundamentais para o sucesso do processo de extração, representação e classificação dos dados. Podemos, então, modelar a tarefa de encontrar tais parâmetros como sendo um problema de otimização. Dado que pouco, ou até mesmo nenhum estudo foi ainda realizado nesse sentido utilizando algoritmos de otimização evolucionistas, o presente projeto de pesquisa de pós-doutorado objetiva o emprego e avaliação dessas técnicas no contexto de otimização de hiperparâmetros em arquiteturas de aprendizado em profundidade. Ademais, o projeto de pesquisa objetiva avaliar, também, o classificador por Floresta de Caminhos Ótimos, desenvolvido pelo proponente desta proposta, no âmbito de classificação de dados por meio de aprendizado em profundidade, dado que o mesmo ainda não foi empregado neste contexto. (AU)

Publicações científicas (15)
(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)
AMORIM, WILLIAN P.; FALCAO, ALEXANDRE X.; PAPA, JOAO P. Multi-label semi-supervised classification through optimum-path forest. INFORMATION SCIENCES, v. 465, p. 86-104, OCT 2018. Citações Web of Science: 0.
PEREIRA, DANILLO R.; PISANI, RODRIGO J.; DE SOUZA, ANDRE N.; PAPA, JOAO P. An Ensemble-Based Stacked Sequential Learning Algorithm for Remote Sensing Imagery Classification. IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, v. 10, n. 4, p. 1525-1541, APR 2017. Citações Web of Science: 0.
PAPA, JOAO PAULO; NACHIF FERNANDES, SILAS EVANDRO; FALCAO, ALEXANDRE XAVIER. Optimum-Path Forest based on k-connectivity: Theory and applications. PATTERN RECOGNITION LETTERS, v. 87, n. SI, p. 117-126, FEB 1 2017. Citações Web of Science: 10.
AMORIM, WILLIAN P.; FALCAO, ALEXANDRE X.; PAPA, JOAO P.; CARVALHO, MARCELO H. Improving semi-supervised learning through optimum connectivity. PATTERN RECOGNITION, v. 60, p. 72-85, DEC 2016. Citações Web of Science: 4.
PASSOS JUNIOR, LEANDRO APARECIDO; OBA RAMOS, CAIO CESAR; RODRIGUES, DOUGLAS; PEREIRA, DANILLO ROBERTO; DE SOUZA, ANDRE NUNES; PONTARA DA COSTA, KELTON AUGUSTO; PAPA, JOAO PAULO. Unsupervised non-technical losses identification through optimum-path forest. Electric Power Systems Research, v. 140, p. 413-423, NOV 2016. Citações Web of Science: 4.
PEREIRA, CLAYTON R.; PEREIRA, DANILO R.; SILVA, FRANCISCO A.; MASIEIRO, JOAO P.; WEBER, SILKE A. T.; HOOK, CHRISTIAN; PAPA, JOAO P. A new computer vision-based approach to aid the diagnosis of Parkinson's disease. COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE, v. 136, p. 79+, NOV 2016. Citações Web of Science: 10.
PAPA, JOAO PAULO; SCHEIRER, WALTER; COX, DAVID DANIEL. Fine-tuning Deep Belief Networks using Harmony Search. APPLIED SOFT COMPUTING, v. 46, p. 875-885, SEP 2016. Citações Web of Science: 27.
PIRES, RAFAEL G.; PEREIRA, DANILLO R.; PEREIRA, LUIS A. M.; MANSANO, ALEX F.; PAPA, JOO P. Projections onto convex sets parameter estimation through harmony search and its application for image restoration. NATURAL COMPUTING, v. 15, n. 3, SI, p. 493-502, SEP 2016. Citações Web of Science: 3.
OSAKU, DANIEL; PEREIRA, DANILLO R.; LEVADA, ALEXANDRE L. M.; PAPA, JOAO P. Fine-Tuning Contextual-Based Optimum-Path Forest for Land-Cover Classification. IEEE Geoscience and Remote Sensing Letters, v. 13, n. 5, p. 735-739, MAY 2016. Citações Web of Science: 1.
PEREIRA, DANILLO R.; PAZOTI, MARIO A.; PEREIRA, LUIS A. M.; RODRIGUES, DOUGLAS; RAMOS, CAIO O.; SOUZA, ANDRE N.; PAPA, JOAO P. Social-Spider Optimization-based Support Vector Machines applied for energy theft detection. COMPUTERS & ELECTRICAL ENGINEERING, v. 49, p. 25-38, JAN 2016. Citações Web of Science: 13.
OSAKU, D.; NAKAMURA, R. Y. M.; PEREIRA, L. A. M.; PISANI, R. J.; LEVADA, A. L. M.; CAPPABIANCO, F. A. M.; FALCO, A. X.; PAPA, JOAO P. Improving land cover classification through contextual-based optimum-path forest. INFORMATION SCIENCES, v. 324, p. 60-87, DEC 10 2015. Citações Web of Science: 12.
PAPA, JOAO P.; ROSA, GUSTAVO H.; MARANA, APARECIDO N.; SCHEIRER, WALTER; COX, DAVID D. Model selection for Discriminative Restricted Boltzmann Machines through meta-heuristic techniques. JOURNAL OF COMPUTATIONAL SCIENCE, v. 9, n. SI, p. 14-18, JUL 2015. Citações Web of Science: 20.
SAITO, PRISCILA T. M.; NAKAMURA, RODRIGO Y. M.; AMORIM, WILLIAN P.; PAPA, JOAO P.; DE REZENDE, PEDRO J.; FALCAO, ALEXANDRE X. Choosing the Most Effective Pattern Classification Model under Learning-Time Constraint. PLoS One, v. 10, n. 6 JUN 26 2015. Citações Web of Science: 2.
PEREIRA, DANILLO R.; DELPIANO, JOSE; PAPA, JOAO P. On the optical flow model selection through metaheuristics. EURASIP JOURNAL ON IMAGE AND VIDEO PROCESSING, MAY 9 2015. Citações Web of Science: 2.
COSTA, KELTON A. P.; PEREIRA, LUIS A. M.; NAKAMURA, RODRIGO Y. M.; PEREIRA, CLAYTON R.; PAPA, JOAO P.; FALCAO, ALEXANDRE XAVIER. A nature-inspired approach to speed up optimum-path forest clustering and its application to intrusion detection in computer networks. INFORMATION SCIENCES, v. 294, p. 95-108, FEB 10 2015. Citações Web of Science: 23.

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.