Adaptação de domínio com supervisão mínima em problemas multimídia

• Processo: 15/09169-3
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Vigência (Início): 01 de agosto de 2015
• Vigência (Término): 30 de junho de 2018
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
• Pesquisador responsável: Ricardo da Silva Torres
• Beneficiário: Luis Augusto Martins Pereira
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Aprendizado computacional Reconhecimento de padrões Transferência (aprendizagem)
• Palavra(s)-Chave do Pesquisador: Aprendizado Semi-supervisionado | Mudança de Domínio | Reconhecimento de Padrões Multimídia | Transferencia de Aprendizado | Aprendizado de Máquina

Resumo

Uma suposição comum no cenário convencional de aprendizado de máquina é que o domínio-fonte e o domínio-alvo (conjuntos de treinamento e teste respectivamente) seguem a mesma distribuição de probabilidade. Infelizmente, em muitas aplicações do mundo real, dados capturados por diferentes dispositivos ou sob condições variadas de aquisição podem causar incompatibilidade entre as distribuições desses conjuntos. Uma maneira de tratar esse problema é através de métodos de adaptação de domínio (Domain Adaptation) - os quais podem ser vistos como abordagens de transferência de aprendizado (Transfer Learning), uma vez que o objetivo é adaptar um modelo construído a partir de um domínio-fonte para reconhecer instâncias de um novo domínio-alvo. Uma desvantagem desses métodos, no entanto, é que se assume a disponibilidade (durante a construção do modelo) de grandes quantidades de dados rotulados no domínio-fonte e, dependendo do caso, uma pequena quantidade de dados rotulados no domínio-alvo. Contudo, a rotulação de dados é um processo custoso, principalmente em problemas envolvendo dados multimídia (e.g., imagens e vídeos), cujas bases de dados podem conter milhões de instâncias. Tendo em vista esse contexto, nosso objetivo neste projeto de pesquisa é propor métodos de adaptação de domínio que permitam o uso de supervisão mínima, ou seja, o uso de quantidades restritas de dados rotulados no domínio-fonte. Avaliaremos o desempenho desses métodos utilizando dados multimídia, os quais são frequentemente encontrados com dados parcialmente rotulados; e com conjuntos de treinamento e teste com distribuições incompatíveis. Dentre as contribuições deste projeto, está a aplicação dos métodos que serão desenvolvidos como soluções para problemas de adaptação de domínio em dois projetos Microsoft/FAPESP (\# 2013/50155-0 e \# 2013/50169-1), os quais buscam, respectivamente, um melhor entendimento de processos fenológicos e ecológicos diante das mudanças climáticas. (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)

PEREIRA, LUIS A. M.; TORRES, RICARDO DA SILVA. Semi-supervised transfer subspace for domain adaptation. PATTERN RECOGNITION, v. 75, n. SI, p. 235-249, MAR 2018. (13/50155-0, 15/09169-3, 13/50169-1)

PEREIRA, LUIS A. M.; TORRES, RICARDO DA SILVA. Semi-supervised transfer subspace for domain adaptation. PATTERN RECOGNITION, v. 75, p. 15-pg., 2018-03-01. (13/50169-1, 15/09169-3, 13/50155-0)

PIRES, RAFAEL; LEVADA, ALEXANDRE L. M.; SOUZA, GUSTAVO B.; PEREIRA, LUIS A. M.; SANTOS, DANIEL F. S.; PAPA, JOAO P.; IEEE. A Robust Restricted Boltzmann Machine for Binary Image Denoising. 2017 30TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 7-pg., 2017-01-01. (14/12236-1, 16/19403-6, 15/09169-3)

Publicações acadêmicas

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

PEREIRA, Luis Augusto Martins. Domain adaptation via subspace learning and kernel methods. 2018. Tese de Doutorado - Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Campinas, SP.