Aprendendo Parâmetros de Remoção em Redes Neurais por Convolução

• Processo: 16/21243-7
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 01 de fevereiro de 2017
• Data de Término da vigência: 31 de maio de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: João Paulo Papa
• Beneficiário: Gustavo Henrique de Rosa
• Supervisor: Gustavo Kunde Rohde
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Instituição Anfitriã: University of Virginia (UVa), Estados Unidos
• Vinculado à bolsa: 15/25739-4 - Estudo de Semântica em Modelos de Aprendizado em Profundidade, BP.MS
• Assunto(s): Aprendizado computacional Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Reconhecimento de Padrões | Aprendizado de Máquina

Resumo

Abordagens baseadas em aprendizado em profundidade têm sido indispensáveis nos últimos anos, principalmente devido aos seus excelentes resultados em diversos domínios de aplicação, compreendendo desde reconhecimento de faces e objetos até identificação de dígitos manuscritos. Redes Neurais por Convolução, do inglês Convolutional Neural Networks (CNN), têm atraído uma notável atenção visto que elas modelam o intrínseco e complexo mecanismo cerebral. Entretanto, uma falha de tais modelos consiste em seu problema de super-treinamento, do inglês overfitting, o qual previne que a rede consiga prever eficientemente novos dados. Nesta proposta, abordamos o problema através de uma correta seleção dos parâmetros de regularização por meio de técnicas baseadas em meta-heurísticas, dado que elas permitem uma simples e elegante solução para inúmeros problemas de optimização. A abordagem proposta será validada sob a supervisão do Prof. Gustavo Rohde, University of Virginia, no contexto de detecção de núcleos em imagens de células de diversas finalidades.

Publicações científicas

(5)

(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)

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. (14/16250-9, 14/12236-1, 13/07375-0, 15/25739-4, 16/21243-7)

PEREIRA, DANILLO ROBERTO; REBOUCAS FILHO, PEDRO P.; DE ROSA, GUSTAVO HENRIQUE; PAPA, JOAO PAULO; DE ALBUQUERQUE, VICTOR HUGO C.; IEEE. Stroke Lesion Detection Using Convolutional Neural Networks. 2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 6-pg., 2018-01-01. (14/16250-9, 14/12236-1, 15/25739-4, 16/21243-7)

PASSOS, LEANDRO A.; PEREIRA, CLAYTON R.; REZENDE, EDMAR R. S.; CARVALHO, TIAGO J.; WEBER, SILKE A. T.; HOOK, CHRISTIAN; PAPA, JOAO P.; IEEE. Parkinson Disease Identification using Residual Networks and Optimum-Path Forest. 2018 IEEE 12TH INTERNATIONAL SYMPOSIUM ON APPLIED COMPUTATIONAL INTELLIGENCE AND INFORMATICS (SACI), v. N/A, p. 5-pg., 2018-01-01. (13/07375-0, 16/21243-7, 14/12236-1, 15/25739-4, 14/16250-9)

PEREIRA, CLAYTON R.; PASSOS, LEANDRO A.; LOPES, RICARDO R.; WEBER, SILKE A. T.; HOOK, CHRISTIAN; PAPA, JOAO PAULO; FELSBERG, M; HEYDEN, A; KRUGER, N. Parkinson's Disease Identification Using Restricted Boltzmann Machines. COMPUTER ANALYSIS OF IMAGES AND PATTERNS, v. 10425, p. 11-pg., 2017-01-01. (14/16250-9, 15/25739-4, 14/12236-1, 16/21243-7)

ROSA, GUSTAVO H.; AFONSO, LUIS C. S.; BALDASSIN, ALEXANDRO; PAPA, JOAO P.; YANG, XIN-SHE; FELSBERG, M; HEYDEN, A; KRUGER, N. Quaternionic Flower Pollination Algorithm. COMPUTER ANALYSIS OF IMAGES AND PATTERNS, v. 10425, p. 12-pg., 2017-01-01. (14/16250-9, 15/25739-4, 14/12236-1, 16/21243-7)