Métodos de redução de dimensionalidade em representações geradas por redes convolucionais triplet

• Processo: 17/10068-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2017
• Data de Término da vigência: 31 de dezembro de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: Leo Sampaio Ferraz Ribeiro
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Processamento de imagens Recuperação da informação Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: recuperação de imagens baseada em conteúdo | Redução de dimensionalidade | Representações de imagens | Processamento de imagens

Resumo

As redes siamesas e redes triplet, variações das Redes Neurais Convolucionais (CNNs) tradicionais, são comumente empregadas para realizar o aprendizado de sistemas de recuperação a baseados em conteúdo e mapeamento entre domínios graças a capacidade natural dos métodos de gerar espaços ajustados para realização de busca por exemplos. Existe no entanto uma oportunidade de melhoria na forma como os dados gerados por estas redes são representados; com foco em plataformas com recursos limitados como dispositivos móveis, é de grande interesse que os dados sejam compactos e que eventuais buscas sejam eficientes. Este projeto visa explorar esta lacuna com experimentos e estudos focados na geração de descritores compactos com vistas na recuperação eficiente de imagens. (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)

BUI, TU; RIBEIRO, LEONARDO; PONTI, MOACIR; COLLOMOSSE, JOHN. Sketching out the details: Sketch-based image retrieval using convolutional neural networks with multi-stage regression. COMPUTERS & GRAPHICS-UK, v. 71, p. 77-87, APR 2018. (16/16111-4, 13/07375-0, 17/10068-2)

BUI, TU; RIBEIRO, LEONARDO; PONTI, MOACIR; COLLOMOSSE, JOHN; JAWAHAR, CV; LI, H; MORI, G; SCHINDLER, K. Deep Manifold Alignment for Mid-Grain Sketch Based Image Retrieval. COMPUTER VISION - ACCV 2018, PT III, v. 11363, p. 16-pg., 2019-01-01. (17/10068-2, 16/16111-4, 13/07375-0)

PONTI, MOACIR A.; RIBEIRO, LEONARDO S. F.; NAZARE, TIAGO S.; BUI, TU; COLLOMOSSE, JOHN; IEEE. Everything you wanted to know about Deep Learning for Computer Vision but were afraid to ask. 2017 30TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES TUTORIALS (SIBGRAPI-T), v. N/A, p. 25-pg., 2017-01-01. (13/07375-0, 17/10068-2, 15/04883-0)