Integração, transformação, aumento de dados e controle de qualidade para representações intermediárias

• Processo: 19/06280-1
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de maio de 2019
• Data de Término da vigência: 30 de junho de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Roberto Marcondes Cesar Junior
• Beneficiário: Hamed Yazdanpanah
• 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
• Assunto(s): Visão computacional Aprendizado computacional Sensoriamento remoto Processamento de imagens
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | processamento de imagens médicas | Sensoriamento Remoto | Visão computacional

Resumo

Muitos problemas de aprendizado de máquina envolvem mais de uma única fonte de dados relacionada ao problemade interesse. Por exemplo, o desenvolvimento de um modelo de cidade pode envolver conjuntos de dados descrevendo não só o plano das ruas, avenidas e estradas, mas também a aparência visual emcâmeras on-line, a densidade populacional ao longo dos vários distritos, a informaçãosobre a geografia da região (incluindo a existência de lagos, costa, montanhas, etc.), aeconomia da região, etc. A integração tem sido considerada estratégica na literatura recente de informática urbana, bem como em outroscampos. No entanto, estes conjuntos de dados são frequentemente obtidos e organizados de forma independente e têmgraus de qualidade variados. Igualmente importante é o fato de que tais conjuntos de dados não sãodiretamente utilizáveis, exigindo transformações para ser mais efetivamente analisados, dada a especificidade dasaplicações. No caso do exemplo anterior, os bancos de dados representando as ruas e avenidassão frequentemente organizados em estruturas CAD representando ruas com pontos de controle definidospor cruzamentos de ruas ou pontos de alta curvatura, enquanto uma representação mais poderosa seriauma rede contendo apenas o primeiro tipo de pontos de controle. Então, é necessário que seremova os últimos pontos, enquanto se executa uma verificação de consistência.A integração de conjuntos de dados corresponde a uma tarefa crítica, pois é necessário integraros dados em cada banco de dados independente em um todo coerente. No caso do exemplo anterior,seria necessário integrar as coordenadas geográficas nos pontos de controle. Freqüentemente, tais demandas de integração incorporam ao processamento umalto nível de inteligência sobre os dados, objetivos e aplicação. É importante terrepresentações intermediárias matemáticas / computacionais para realizar uma integração significativa.Estas duas tarefas críticas, a integração e transformação, portanto, são o núcleo da presenteabordagem, como representado no diagrama da Figura 2 do Projeto Temático. Dois tópicos particularessão de interesse: aumento do conjunto de dados e controle de qualidade.

Publicações científicas

(11)

(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)

YAZDANPANAH, HAMED; DINIZ, PAULO S. R.; LIMA, MARKUS V. S.. Improved simple set-membership affine projection algorithm for sparse system modelling: Analysis and implementation. IET SIGNAL PROCESSING, v. 14, n. 2, p. 81-88, APR 2020. (15/22308-2, 19/06280-1)

YAZDANPANAH, HAMED; DINIZ, PAULO S. R.; LIMA, MARKUS V. S.. Feature Adaptive Filtering: Exploiting Hidden Sparsity. IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS I-REGULAR PAPERS, v. 67, n. 7, p. 2358-2371, JUL 2020. (19/06280-1, 15/22308-2)

YAZDANPANAH, HAMED; DINIZ, PAULO S. R.; LIMA, MARKUS V. S.. Low-Complexity Feature Stochastic Gradient Algorithm for Block-Lowpass Systems. IEEE ACCESS, v. 7, p. 141587-141593, 2019. (15/22308-2, 19/06280-1)

CHAVES, GABRIEL S.; LIMA, MARKUS V. S.; YAZDANPANAH, HAMED; DINIZ, PAULO S. R.; FERREIRA, TADEU N.; IEEE. A Simple Sparsity-aware Feature LMS Algorithm. 2019 27TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO), v. N/A, p. 5-pg., 2019-01-01. (19/06280-1, 15/22308-2)

YAZDANPANAH, HAMED; APOLINARIO, JOSE A., JR.; MATTHEWS, MB. FEATURE NORMALIZED LMS ALGORITHMS. CONFERENCE RECORD OF THE 2019 FIFTY-THIRD ASILOMAR CONFERENCE ON SIGNALS, SYSTEMS & COMPUTERS, v. N/A, p. 4-pg., 2019-01-01. (19/06280-1, 15/22308-2)

LIM, MARKUS V. S.; DINIZ, PAULO S. R.; YAZDANPANAH, HAMED. Set-Membership Constrained Frequency-Domain Algorithm. IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS II-EXPRESS BRIEFS, v. 68, n. 2, p. 797-801, FEB 2021. (19/06280-1, 15/22308-2)

YAZDANPANAH, HAMED. Improved feature least mean square algorithm. INTERNATIONAL JOURNAL OF ADAPTIVE CONTROL AND SIGNAL PROCESSING, v. N/A, p. 11-pg., 2022-11-17. (19/06280-1, 15/22308-2)

YAZDANPANAH, HAMED; APOLINARIO JR, JOSE A.. The Extended Feature LMS Algorithm: Exploiting Hidden Sparsity for Systems with Unknown Spectrum. CIRCUITS SYSTEMS AND SIGNAL PROCESSING, v. 40, n. 1, JUN 2020. (15/22308-2, 19/06280-1)

DINIZ, PAULO S. R.; YAZDANPANAH, NAMED; LIMA, MARKUS V. S.; IEEE. Feature LMS Algorithm for Bandpass System Models. 2019 27TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO), v. N/A, p. 5-pg., 2019-01-01. (19/06280-1, 15/22308-2)

YAZDANPANAH, HAMED; CARINI, ALBERTO; LIMA, MARKUS V. S.; IEEE. L-0-Norm Adaptive Volterra Filters. 2019 27TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO), v. N/A, p. 5-pg., 2019-01-01. (19/06280-1, 15/22308-2)

YAZDANPANAH, HAMED; IEEE. FEATURE AFFINE PROJECTION ALGORITHMS. 2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH, AND SIGNAL PROCESSING, v. N/A, p. 5-pg., 2020-01-01. (19/06280-1, 15/22308-2)