| Processo: |
15/25739-4
|
| Linha de fomento: | Bolsas no Brasil - Mestrado |
| Vigência (Início): |
01 de março de 2016
|
| Vigência (Término): |
01 de julho de 2018
|
| Área do conhecimento: | Ciências Exatas e da Terra
-
Ciência da Computação
-
Metodologia e Técnicas da Computação |
|
| Pesquisador responsável: | João Paulo Papa |
| Beneficiário: | Gustavo Henrique de Rosa |
|
| Instituição-sede: |
Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
|
|
| Bolsa(s) vinculada(s): | 16/21243-7 - Aprendendo Parâmetros de Remoção em Redes Neurais por Convolução,
BE.EP.MS
|
|
| Assunto(s): | Aprendizado computacional
Reconhecimento de padrões |
Resumo
Arquiteturas de aprendizado em profundidade têm sido amplamente estudadas nos últimos anos, principalmente pelo seu alto poder discriminativo e eficácia em muitos problemas considerados essenciais na área de visão computacional como, por exemplo, reconhecimento de faces, pessoas e objetos, dentre outros. Entretanto, um problema desses modelos diz respeito ao grande número de parâmetros a serem ajustados, que podem chegar a milhares. Um outro ponto crítico está relacionado à necessidade de grandes bases de dados para treinar essas técnicas de aprendizado em profundidade, bem como a sua alta propensão ao chamado super-treinamento dos dados devido, principalmente, à sua complexa arquitetura. Muito embora, recentemente, alguns trabalhos tenham apresentado possíveis soluções para amenizar o problema do super-treinamento, essas abordagens ainda possuem um número considerável de parâmetros que precisam ser ajustados, e que dependem de um conhecimento prévio da ferramenta a ser utilizada. O presente projeto de pesquisa objetiva um estudo na linha de "como podemos entender melhor" essas arquiteturas e, consequentemente, "aprender como elas aprendem", ou seja, quais são seus pontos fortes (que devem ser valorizados) e seus pontos fracos (que devem ser contornados). Técnicas como Máquinas de Boltzmann Restritas e Redes de Crença em Profundidade serão estudadas no intuito de aprender o seu comportamento por meio de otimização por meta-heurísticas. O presente projeto de pesquisa também contempla um período de estágio no exterior junto à Universidade de Middlesex, Inglaterra.
|
|
Publicações científicas
(7)
(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 PARAGUASSU;
ROSA, GUSTAVO HENRIQUE;
THOMAZELLA, ROGERIO;
COGO CASTANHO, JOSE EDUARDO;
LOFRANO DOTTO, FABIO ROMANO;
RODRIGUES JUNIOR, OSWALDO PONS;
MARANA, APARECIDO NILCEU;
PAPA, JOAO PAULO.
Semi-supervised learning with connectivity-driven convolutional neural networks.
PATTERN RECOGNITION LETTERS,
v. 128,
p. 16-22,
DEC 1 2019.
Citações Web of Science: 0.
PASSOS, LEANDRO A.;
DE SOUZA, JR., LUIS A.;
MENDEL, ROBERT;
EBIGBO, ALANNA;
PROBST, ANDREAS;
MESSMANN, HELMUT;
PALM, CHRISTOPH;
PAPA, JOAO PAULO.
Barrett's esophagus analysis using infinity Restricted Boltzmann Machines.
JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION,
v. 59,
p. 475-485,
FEB 2019.
Citações Web of Science: 0.
PEREIRA, CLAYTON R.;
PEREIRA, DANILO R.;
ROSA, GUSTAVO H.;
ALBUQUERQUE, VICTOR H. C.;
WEBER, SILKE A. T.;
HOOK, CHRISTIAN;
PAPA, JOAO P.
Handwritten dynamics dynamics assessment through convolutional neural networks: An application to Parkinson's disease identification.
ARTIFICIAL INTELLIGENCE IN MEDICINE,
v. 87,
p. 67-77,
MAY 2018.
Citações Web of Science: 15.