- Auxílios pontuais (curta duração)
| Processo: | 17/22366-8 |
| Linha de fomento: | Bolsas no Brasil - Doutorado Direto |
| Vigência (Início): | 01 de março de 2018 |
| Vigência (Término): | 28 de fevereiro de 2022 |
| Área do conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | Moacir Antonelli Ponti |
| Beneficiário: | Leonardo Sampaio Ferraz Ribeiro |
| Instituição-sede: | Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil |
| Bolsa(s) vinculada(s): | 19/02808-1 - Encontrando correspondências entre representações de diferentes domínios usando combinações de características não-supervisionadas, BE.EP.DD |
| Assunto(s): | Visão computacional Processamento de imagens Redes neurais (computação) |
Resumo Métodos de aprendizado de características têm alcançado o estado da arte em diversas áreas. Apesar dos resultados excelentes obtidos em conjuntos de dados benchmark, ainda há pouco entendimento sobre seu funcionamento, e aplicações ainda a serem exploradas, em particular quando se considera arquiteturas que vão além das redes neurais convolucionais. Nesse projeto, propomos o uso de aprendizado de características a partir de aplicações que envolvam o mapeamento entre domínios em particular nas tarefas de recuperação de imagens entre domínios diferentes e aplicações em que há comumente limite de dados rotulados disponível para treinamento. Esses desafios podem ser resolvidos utilizando aprendizado profundo desenvolvendo novas arquiteturas baseadas em redes multi-stream, autoencoders convolucionais e modelos geradores. Os resultados esperados incluem o desenvolvimento de modelos que, possam realizar com sucesso o mapeamento entre dominios visuais diferentes, sendo capazes de generalizar para dados não vistos. (AU) | |