| Processo: | 18/21837-0 |
| Modalidade de apoio: | Bolsas no Exterior - Pesquisa |
| Data de Início da vigência: | 16 de fevereiro de 2019 |
| Data de Término da vigência: | 15 de fevereiro de 2020 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | Jurandy Gomes de Almeida Junior |
| Beneficiário: | Jurandy Gomes de Almeida Junior |
| Pesquisador Anfitrião: | Niculae Sebe |
| Instituição Sede: | Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil |
| Instituição Anfitriã: | Universitá degli Studi di Trento, Itália |
| Assunto(s): | Aprendizagem profunda |
| Palavra(s)-Chave do Pesquisador: | aprendizagem profunda | computação visual | Inteligência de Máquina | Recuperação de Informação Multimídia | Videos Digitais | Processamento Gráfico (Graphics) |
Resumo Vídeos digitais tornaram-se o meio de escolha para um número cada vez maior de pessoas se comunicando via Internet e seus dispositivos móveis. Ao longo da última década, o mundo testemunhou um crescimento explosivo na quantidade de dados de vídeo fomentado por desenvolvimentos tecnológicos surpreendentes. Nesse cenário, há uma demanda crescente por sistemas eficientes para reduzir o trabalho e a sobrecarga de informações para as pessoas. Fazer uso eficiente do conteúdo de vídeo requer o desenvolvimento de ferramentas inteligentes capazes de entender vídeos de maneira similar aos humanos. Esse tem sido o objetivo de uma área de pesquisa em rápida evolução, conhecida como entendimento de vídeo. Um passo crucial para o entendimento de vídeo é entender as ações e atividades humanas. Uma das principais questões relativas ao problema de entendimento da atividade humana é a extração de informações úteis do conteúdo de vídeo. Recentemente, a aprendizagem profunda tem sido usada com sucesso para treinar modelos discriminativos capazes de aprender recursos poderosos e interpretáveis para o entendimento do conteúdo visual. No entanto, devido à dimensão temporal, o treinamento de modelos de aprendizagem profunda em dados de vídeo enfrenta uma série de dificuldades práticas, como amostras limitadas de treinamento e alto custo computacional. O objetivo desta proposta de pesquisa é abordar a sobrecarga computacional do treinamento de um modelo de aprendizagem profunda, a fim de melhorar sua capacidade de lidar com dados de vídeo e avançar no estado da arte no entendimento da atividade humana. Para isso, planejamos explorar informações relevantes relativas ao conteúdo visual disponível na representação compactada usada para armazenamento e transmissão de vídeo. Isso permite economizar alta carga computacional na decodificação completa do fluxo de vídeo e, portanto, acelerar bastante o tempo de treinamento, que se tornou um grande obstáculo à aprendizagem profunda. | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |