Otimização de redes neurais Autocodificadoras guiada por análise visual de dados

• Processo: 16/25776-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Vigência (Início): 01 de maio de 2017
• Vigência (Término): 31 de agosto de 2019
• 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: Alexandre Xavier Falcão
• Beneficiário: Bárbara Caroline Benato
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?, AP.TEM
• Bolsa(s) vinculada(s): 17/25327-3 - Análise visual para propagação de rótulo assistida pelo usuário no projeto de classificador de imagens baseado em redes neurais, BE.EP.MS
• Assunto(s): Aprendizado computacional Visualização de dados
• Palavra(s)-Chave do Pesquisador: Análise Visual | Redes Neurais Autocodificadoras | visualização de dados | Aprendizado de Máquina

Resumo

Redes Neurais Artificiais, em específico aquelas que possuem uma arquitetura profunda (normalmente com mais do que duas camadas escondidas), geralmente são afetadas por um fenômeno conhecido por super-treinamento dos dados, onde a convergência prematura da rede gera resultados bastante satisfatórios nos conjuntos de treinamento e validação, porém com um desempenho aquém do desejado no conjunto de teste. Dentre as várias maneiras de lidar com esse problema, tais como regularização e uso de conjuntos de treinamento maiores, uma que tem sido pouco utilizada é a que faz uso de técnicas de visualização de informação no sentido de incorporar conhecimento do usuário para o treinamento da rede. Tais ferramentas de visualização permitem um maior entendimento do processo de aprendizado da rede, permitindo, assim, intervir em determinada região, parâmetros, conexões e neurônios da rede visando melhorar a sua eficácia. Dependendo da configuração da rede, o usuário pode verificar como as amostras estão agrupadas no processo final de classificação, bem como visualizar os pesos e ativações dos neurônios e como esses afetam o resultado final de classificação. Nesse sentido, a presente proposta de projeto de pesquisa de mestrado objetiva empregar técnicas de visualização de informação para auxiliar no processo de treinamento de Redes Neurais Autocodificadoras, dado que essa técnica tem sido amplamente empregada na literatura para as mais diversas tarefas, tais como classificação de imagens, sinais e redução de dimensionalidade. A presente proposta também contempla um período de estágio no exterior via Bolsa de Pesquisa e Estágio no Exterior (BEPE) junto à Universidade de Groningen, Holanda, sob a orientação do Prof. Alexandru Telea, o qual possui experiência na área de visualização de informações. Dado que a aluna já possui experiência prévia em aprendizado de redes com muitas camadas por conta de sua iniciação científica apoiada pela FAPESP, esse estágio no exterior irá contribuir com o seu aprendizado na área de visualização de dados, bem como permitir um amadurecimento científico e experiência com outros grupos de pesquisa. (AU)

Publicações científicas

(4)

(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)

BENATO, BARBARA C.; GOMES, JANCARLO F.; TELEA, ALEXANDRU C.; FALCAO, ALEXANDRE X.. Semi-automatic data annotation guided by feature space projection. PATTERN RECOGNITION, v. 109, JAN 2021. (16/25776-0, 14/12236-1, 17/25327-3)

BENATO, BARBARA C.; TELEA, ALEXANDRU C.; FALCAO, ALEXANDRE X.; IEEE. Semi-Supervised Learning with Interactive Label Propagation guided by Feature Space Projections. PROCEEDINGS 2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 8-pg., 2018-01-01. (16/25776-0, 14/12236-1, 17/25327-3)

MARTINS, SAMUEL BOTTER; BENATO, BARBARA CAROLINE; SILVA, BRUNA FERREIRA; YASUDA, CLARISSA LYN; FALCAO, ALEXANDRE XAVIER; MORI, K; HAHN, HK. Modeling Normal Brain Asymmetry in MR Images Applied to Anomaly Detection without Segmentation and Data Annotation. MEDICAL IMAGING 2019: COMPUTER-AIDED DIAGNOSIS, v. 10950, p. 10-pg., 2019-01-01. (14/12236-1, 13/07559-3, 16/25776-0, 15/10369-7)

PEIXINHO, ALAN Z.; BENATO, BARBARA C.; NONATO, LUIS G.; FALCAO, ALEXANDRE X.; IEEE. Delaunay Triangulation Data Augmentation guided by Visual Analytics for Deep Learning. PROCEEDINGS 2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 8-pg., 2018-01-01. (14/12236-1, 16/25776-0)

Publicações acadêmicas

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

BENATO, Bárbara Caroline. Anotação de dados guiada por projeção de características. 2019. Dissertação de Mestrado - Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Campinas, SP.