Análise visual para propagação de rótulo assistida pelo usuário no projeto de classificador de imagens baseado em redes neurais

• Processo: 17/25327-3
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 01 de abril de 2018
• Data de Término da vigência: 30 de setembro de 2018
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Alexandre Xavier Falcão
• Beneficiário: Bárbara Caroline Benato
• Supervisor: Alexandru-Cristian Telea
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: University of Groningen, Holanda
• Vinculado à bolsa: 16/25776-0 - Otimização de redes neurais Autocodificadoras guiada por análise visual de dados, BP.MS
• Assunto(s): Aprendizado computacional Redes neurais convolucionais
• Palavra(s)-Chave do Pesquisador: Análise Visual de Dados | Aprendizado de Máquina | Aprendizado de Máquina Interativo | interface do usuário | Redes Neurais Autocodificadoras | Redes Neurais convolucionais | Aprendizado de Máquina

Resumo

Redes neurais com muitas camadas podem ser muito efetivas para classificação de imagens, mas normalmente dependem de métodos de regularização, "transfer learning", e/ou grandes conjuntos supervisionados para treinamento, a fim de reduzir/evitar a alta acurácia de classificação sobre os dados de treinamento e baixa acurácia no conjunto de teste: um fenômeno conhecido como supertreinamento dos dados. A técnica de "transfer learning" não é sempre possível e grandes conjuntos supervisionados de treinamento são impraticáveis em aplicações que requerem especialistas para a supervisão dos dados. Possíveis soluções incluem aumento dos dados e outras estratégias para melhorar a arquitetura e os pesos da rede para um número limitado de exemplos supervisionados. Temos investigado tais soluções no Projeto Fapesp #2016/25776-0 através do uso de Redes Neurais Codificadoras-Decodificadoras (EDNNs), Redes Neurais Convolucionais (CNNs) e Análise Visual de dados. Estamos interessados em soluções que melhorem o projeto de uma CNN para classificação de imagens explorando os métodos EDNN e Análise Visual de dados para auxiliar com a ausência de amostras supervisionadas. Portanto, a proposta do presente projeto BEPE é projetar uma interface de usuário para aprendizado de máquina interativo baseado em EDNNs, CNNs e Análise Visual de Dados. Estudos de validação serão conduzidos com conjuntos de imagens de diferentes aplicações referentes a um projeto maior, Temático FAPESP #2014/12236-1, coordenado pelo orientador.

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)

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)