Detecção de códigos QR usando modelos de aprendizado profundo

• Processo: 18/00390-7
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de dezembro de 2018
• Data de Término da vigência: 31 de agosto de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Nina Sumiko Tomita Hirata
• Beneficiário: Leonardo Blanger
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 15/22308-2 - Representações intermediárias em Ciência Computacional para descoberta de conhecimento, AP.TEM
• Bolsa(s) vinculada(s): 19/17312-1 - Aprendizado adversarial de políticas de aumentação de imagens para detecção de objetos, BE.EP.MS
• Assunto(s): Visão computacional Aprendizado computacional Reconhecimento de padrões Código de barras
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Códigos QR | Detecçaõ de objetos em imagens | Modelos de aprendizado profundo | Reconhecimento de Padrões | Redes Neurais Profundas | Visão computacional

Resumo

Códigos QR são códigos bidimensionais com capacidade para codificar não somente dígitos, como é o caso de códigos de barra tradicionais, mas também caracteres alfanuméricos. Dentre os usos mais comuns, destaca-se a codificação de URLs e o acesso rápido ao respectivo conteúdo web referenciado por meio de aplicativos decodificadores. Quando esses códigos são enquadrados e capturados explicitamente, a decodificação ocorre sem maiores dificuldades. No entanto, códigos QR capturados acidentalmente, sem uma intenção explícita, muitas vezes não são sequer detectados. A possibilidade de detectá-los poderia viabilizar, por exemplo, aplicações que utilizam robôs autônomos em ambientes dinâmicos. Neste projeto de pesquisa serão estudados e desenvolvidos métodos baseados em aprendizado profundo (deep learning) para a detecção de presença de códigos QR em imagens adquiridas arbitrariamente. Estratégias que exploram a estrutura comum em códigos QR, como os padrões fixos em seus três cantos, serão propostos. Como contribuições concretas espera-se a produção de um dataset para treinamento e avaliação dos detectores, modelos profundos treinados especificamente para a detecção desses códigos, e a promoção e avanço de conhecimentos dentro do grupo de pesquisa acerca de modelos profundos voltados para a detecção de objetos em 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)

BLANGER, LEONARDO; HIRATA, NINA S. T.; JIANG, XIAOYI; IEEE COMP SOC. Reducing the need for bounding box annotations in Object Detection using Image Classification data. 2021 34TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2021), v. N/A, p. 8-pg., 2021-01-01. (18/00390-7, 15/22308-2, 17/25835-9, 19/17312-1)

BLANGER, LEONARDO; HIRATA, NINA S. T.; IEEE. AN EVALUATION OF DEEP LEARNING TECHNIQUES FOR QR CODE DETECTION. 2019 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP), v. N/A, p. 5-pg., 2019-01-01. (17/25835-9, 18/00390-7, 15/22308-2)

Publicações acadêmicas

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

BLANGER, Leonardo. Uma análise de síntese de exemplos para detecção de objetos baseada em deep learning. 2020. Dissertação de Mestrado - Universidade de São Paulo (USP). Instituto de Matemática e Estatística (IME/SBI) São Paulo.