Reconhecimento de Padrões em Redes Complexas usando Transformada da Distância

• Processo: 19/03277-0
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de junho de 2019
• Data de Término da vigência: 30 de novembro de 2019
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Odemir Martinez Bruno
• Beneficiário: Lucas Correia Ribas
• Supervisor: Antoine Manzanera
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Ecole Nationale Supérieure des Techniques Avancées (ENSTA), França
• Vinculado à bolsa: 16/23763-8 - Modelagem e análise de redes complexas para visão computacional, BP.DR
• Assunto(s): Visão computacional Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: Ciência dos Dados | Reconhecimento de Padrões | Redes Complexas e Teoria dos Grafos | transformada da distância | Visão Computacional | Reconhecimento de Padrões e Visão Computacional

Resumo

Rede complexa está sendo cada vez mais utilizada devido à sua flexibilidade e capacidade de representar e analisar qualquer sistema discreto e muitos tipos de dados. Nesse sentido, o reconhecimento de padrões e as redes complexas surgem como uma alternativa importante na ciência de dados. O reconhecimento de padrões nas redes visa a extração de características para classificar redes em larga escala em várias classes, em vez de se concentrar nas propriedades de topologia de uma rede isolada. Existe uma enorme literatura sobre extração de características e classificação de dados baseada em redes regulares (por exemplo, convolucional). No entanto, apesar dos progressos significativos alcançados, existe uma procura crescente de métodos mais gerais e sofisticados, em particular no caso de dados altamente irregulares ou esparsos. O objetivo desta proposta é o desenvolvimento de métodos para a caracterização da topologia de redes, dando especial atenção às redes que modelam imagem e vídeo. Para tanto, nesta proposta pretende-se investigar diferentes formas de obter recursos de redes utilizando a transformada de distância. Mais precisamente, a transformada da distância será aplicada na rede e as informações sobre as distâncias obtidas (ou rótulos) serão utilizadas para caracterizar diferentes topologias de rede, a fim de realizar tarefas de classificação no contexto do reconhecimento de padrões. Neste projeto de pesquisa, a transformada da distância é então consideradas como a ferramenta fundamental para: (1) extrair características significativas dos dados distribuídos em qualquer tipo de rede e (2) permitir uma rede complexa (irregular, esparso, multi-camadas, etc.) ser processada como uma rede regular.O desenvolvimento de novos métodos para reconhecimento de padrões e análise de redes complexas é uma etapa importante do projeto de doutorado do aluno. Portanto, pretende-se contribuir com métodos para caracterização de redes usando métricas estatísticas e recursos aprendidos (rede neural) a partir das informações da transformaa da distância na rede. Os métodos desenvolvidos também contribuirão para o campo de visão computacional e para a ciência de dados, com novos métodos para extração de características e reconhecimento de padrões.

Publicações científicas

(4)

(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)

RIBAS, LUCAS C.; BRUNO, ODEMIR M.; RICCI, E; BULO, SR; SNOEK, C; LANZ, O; MESSELODI, S; SEBE, N. Dynamic Texture Classification Using Deterministic Partially Self-avoiding Walks on Networks. IMAGE ANALYSIS AND PROCESSING - ICIAP 2019, PT I, v. 11751, p. 12-pg., 2019-01-01. (19/03277-0, 16/23763-8, 14/08026-1)

RIBAS, LUCAS C.; DE MESQUITA SA JUNIOR, JARBAS JOACI; MANZANERA, ANTOINE; BRUNO, ODEMIR M.. Learning graph representation with Randomized Neural Network for dynamic texture classification. APPLIED SOFT COMPUTING, v. 114, JAN 2022. (16/23763-8, 18/22214-6, 16/18809-9, 14/08026-1, 19/03277-0)

RIBAS, LUCAS C.; MANZANERA, ANTOINE; BRUNO, ODEMIR M.; VENTO, M; PERCANNELLA, G. A Fractal-Based Approach to Network Characterization Applied to Texture Analysis. COMPUTER ANALYSIS OF IMAGES AND PATTERNS, CAIP 2019, PT I, v. 11678, p. 12-pg., 2019-01-01. (19/03277-0, 16/18809-9, 16/23763-8, 14/08026-1)

SCABINI, LEONARDO F. S.; CONDORI, RAYNER H. M.; RIBAS, LUCAS C.; BRUNO, ODEMIR M.; RICCI, E; BULO, SR; SNOEK, C; LANZ, O; MESSELODI, S; SEBE, N. Evaluating Deep Convolutional Neural Networks as Texture Feature Extractors. IMAGE ANALYSIS AND PROCESSING - ICIAP 2019, PT II, v. 11752, p. 11-pg., 2019-01-01. (14/08026-1, 19/03277-0, 16/18809-9, 16/23763-8)