Otimização de máquinas de Boltzmann restritas e sua aplicação para biometria baseada em impressões digitais

• Processo: 14/24491-6
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 20 de dezembro de 2014
• Data de Término da vigência: 30 de janeiro de 2015
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Aparecido Nilceu Marana
• Beneficiário: Gustavo Henrique de Rosa
• Supervisor: David Cox
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Instituição Anfitriã: Harvard University, Cambridge, Estados Unidos
• Vinculado à bolsa: 14/09125-3 - Redes Neurais por convolução aplicadas ao reconhecimento biométrico de pessoas, BP.IC
• Assunto(s): Reconhecimento de padrões Aprendizado computacional Visão computacional Biometria
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado em Profundidade | Biometria | Máquina de Boltzmann Restrita | Reconhecimento de Padrões | Visão Computacional | Reconhecimento de Padrões

Resumo

Técnicas de aprendizado em profundidade têm sido bastante utilizadas nos últimos anos devido aos seus promissores resultados em diversas aplicações, principalmente para detecção de objetos e faces. Entretanto, um de seus principais problemas está relacionado à seleção de determinados parâmetros que irão fornecer bons resultados. Como podemos possuir um problema com milhões de parâmetros, um ajuste manual torna-se impraticável. Nesta proposta de pesquisa, lidamos com esse problema a partir da abordagem de técnicas baseadas em meta-heurística, especificamente a Busca Harmônica, dado que este tipo de busca fornece resultados consistentes e eficientes, e vem sendo amplamente utilizada e estudada pelo grupo de pesquisa o qual o presente aluno participa. Embora existam diversas técnicas para o aprendizado em profundidade, decidimos por estudar as Máquinas de Boltzmann Restritas devido à sua alta capacidade em aprender boas representações de informação. Adicionalmente, o trabalho proposto será validado em um contexto de reconhecimento de impressões digitais, também abordado no projeto principal de pesquisa do aluno. (AU)