Buscando Robustez em Arquiteturas de Aprendizagem Profunda para Aplicações e-Science

• Processo: 18/23908-1
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 07 de julho de 2019
• Data de Término da vigência: 06 de julho de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Fabio Augusto Faria
• Beneficiário: Fabio Augusto Faria
• Pesquisador Anfitrião: Gustavo Carneiro
• 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: University of Adelaide, Austrália
• Assunto(s): Aprendizado computacional Redes neurais convolucionais Inteligência artificial Aprendizagem profunda Classificação de imagens
• Palavra(s)-Chave do Pesquisador: Aprendizagem de Maquina | aprendizagem profunda | Classificação de Imagens | Fusão de Informação | Redes Neurais convolucionais | Inteligência Artificial

Resumo

Arquiteturas de aprendizagem profunda, mais conhecidas como deep learning e em especial as redes neurais convolucionais (CNNs) são responsáveis pelo grande avanço das pesquisas nas áreas de visão computacional e aprendizagem de máquina dos últimos tempos. Esse fato se dá pelos excelentes resultados obtidos por essas redes em diferentes domínio de aplicações. O ressurgimento das CNNs ocorre em 2012, quando aparece para o mundo a arquitetura AlexNet, conseguindo reduzir a taxa de erros da competição ImageNet em 10% na tarefa de reconhecimento de grande volume de dados. Esse surpreendente resultado atraiu olhares da comunidade cient1fica para essas redes de aprendizagem profunda e em pouco tempo, a taxa de erros caiu para 7,3% e hoje o desafio está praticamente solucionado com taxas de erros menores que 3%. Em 2014, um grupo de pesquisas da Google observou que diversos modelos de aprendizagem de máquina eram vulneráveis a exemplos chamados adversariais. A adição proposital de imperceptível ruído em imagens bastava para confundir qualquer modelo de aprendizagem treinado. Este fato alavancou uma nova linha de pesquisa, reconhecimento de padrão adversarial, que visa a criação de modelos de aprendizagem robustos aos dados de distribuição diferente daquela utilizada na etapa de treinamento (exemplos adversariais). Esse comportamento indesejado das CNNs, observado na literatura, pode ser causado por problemas ocorridos em vários momentos ao longo do processo de aprendizagem. Neste sentido, este projeto de pesquisa tem como objetivo estudar, avaliar e desenvolver novas abordagens de aprendizagem profunda mais robustas aos exemplos adversariais e assim, melhorar os resultados de eficácia na tarefa de classificação de dados multimídias em aplicações reais do domínio e-Science.

Publicações científicas

(8)

(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)

AONO, ALEXANDRE H.; NAGAI, JAMES S.; DICKEL, GABRIELLA DA S. M.; MARINHO, RAFAELA C.; DE OLIVEIRA, PAULO E. A. M.; PAPA, JOAO P.; FARIA, FABIO A.. stomata classification and detection system in microscope images of maize cultivar. PLoS One, v. 16, n. 10, OCT 25 2021. (18/23908-1)

FERREIRA, ALVARO R., JR.; DE ROSA, GUSTAVO H.; PAPA, JOAO P.; CARNEIRO, GUSTAVO; FARIA, FABIO A.; IEEE COMP SOC. Creating Classifier Ensembles through Meta-heuristic Algorithms for Aerial Scene Classification. 2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR), v. N/A, p. 8-pg., 2021-01-01. (14/12236-1, 18/23908-1, 17/25908-6, 19/07665-4, 19/02205-5)

FARIA, FABIO AUGUSTO; CARNEIRO, GUSTAVO; IEEE. Why are Generative Adversarial Networks so Fascinating and Annoying?. 2020 33RD SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2020), v. N/A, p. 8-pg., 2020-01-01. (18/23908-1, 17/25908-6)

PIMENTA, GUILHERME B. A.; DALLAQUA, FERNANDA B. J. R.; FAZENDA, ALVARO; FARIA, FABIO A.; DECARVALHO, BM; GONCALVES, LMG. Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests. 2022 35TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2022), v. N/A, p. 6-pg., 2022-01-01. (19/26702-8, 15/24485-9, 14/50937-1, 18/23908-1, 17/25908-6)

AONO, ALEXANDRE H.; NAGAI, JAMES S.; DICKEL, GABRIELLA DA S. M.; MARINHO, RAFAELA C.; DE OLIVEIRA, PAULO E. A. M.; PAPA, JOAO P.; FARIA, FABIO A.. A stomata classification and detection system in microscope images of maize cultivars. PLoS One, v. 16, n. 10, p. 17-pg., 2021-10-25. (18/23908-1)

ANDRADE, NATAN; FARIA, FABIO A.; CAPPABIANCO, FABIO A. M.; IEEE COMP SOC. Improving Similarity Metric of Multi-modal MR Brain Image Registration Via a Deep Ensemble. 2021 34TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2021), v. N/A, p. 8-pg., 2021-01-01. (18/23908-1, 16/21591-5)

BURIS, LUIZ H.; PEDRONETTE, DANIEL C. G.; PAPA, JOAO P.; ALMEIDA, JURANDY; CARNEIRO, GUSTAVO; FARIA, FABIO A.; IEEE. MIXUP-BASED DEEP METRIC LEARNING APPROACHES FOR INCOMPLETE SUPERVISION. 2022 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, ICIP, v. N/A, p. 5-pg., 2022-01-01. (18/23908-1, 14/12236-1, 19/07665-4, 21/01870-5)

PRESOTTO, JOAO GABRIEL CAMACHO; DOS SANTOS, SAMUEL FELIPE; VALEM, LUCAS PASCOTTI; FARIA, FABIO AUGUSTO; PAPA, JOAO PAULO; ALMEIDA, JURANDY; PEDRONETTE, DANIEL CARLOS GUIMARAES. Weakly supervised learning based on hypergraph manifold ranking?. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION, v. 89, p. 12-pg., 2022-10-25. (18/15597-6, 18/23908-1, 17/25908-6, 19/04754-6, 20/11366-0)