Aprendendo conceitos a partir da fusão de representações de domínios visuais distintos com aprendizado profundo

• Processo: 18/22191-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de março de 2019
• Data de Término da vigência: 14 de julho de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: João Guilherme Madeira Araújo
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 19/19030-3 - Redes weight agnostic compositional pattern producing e sua análise para aprendizado de representações, BE.EP.IC
• Assunto(s): Desenvolvimento cognitivo Semântica Aprendizado computacional Aprendizagem profunda Redes neurais convolucionais
• Palavra(s)-Chave do Pesquisador: Aprendizado de características | aprendizado não supervisionado | Auto-encoders | Cross Domain Learning | Redes neurais | Teoria do Aprendizado Estatístico | Aprendizado de Máquina

Resumo

O sistema cognitivo humano é capaz de abstrair conceitos distintos de forma a relacioná-los sob uma mesma semântica. Por exemplo, uma mesma pessoa pode ser reconhecida de forma única por meio de uma fotografia, retrato artístico, caricatura, retrato falado ou até mesmo de um rascunho. Do ponto de vista de visão computacional e reconhecimento de padrões, essas representações seriam identificadas como distintas, ainda que a semântica seja a mesma. O desafio é ainda maior quando há supervisão limitada, ou seja, desejamos aprender conceitos a partir de um conjunto de dados não anotado ou com poucos rótulos. Nesse projeto serão investigados métodos para aprender representações abstratas a partir de conjuntos de dados e relacioná-los com outros conjuntos de domínios distintos, porém com semântica similar. Serão considerados métodos de aprendizado de características, em particular redes neurais convolucionais e auto-encoders, e exploradas arquiteturas capazes de realizar o casamento entre as representações aprendidas. Além disso, cada solução será estudada do ponto de vista das suas garantias de aprendizado.