Compreensão de cenas em agricultura por redes neurais profundas

• Processo: 19/07863-0
• Linha de fomento: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de julho de 2019
• Vigência (Término): 30 de junho de 2020
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Convênio/Acordo: IBM Brasil
• Pesquisador responsável: Thiago Teixeira Santos
• Beneficiário: Marcos Gabriel Barboza Dure Diaz
• Instituição-sede: Embrapa Informática Agropecuária. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Ministério da Agricultura, Pecuária e Abastecimento (Brasil). Campinas , SP, Brasil
• Empresa: Ministério da Agricultura, Pecuária e Abastecimento (Brasil). Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Embrapa Informática Agropecuária
• Vinculado ao auxílio: 17/19282-7 - Agricultura ciente de ambiente: raciocínio sobre estrutura tridimensional no campo de cultivo (AACr3), AP.PITE
• Assunto(s): Inteligência artificial Aprendizagem profunda Redes neurais (computação) Visão computacional

Resumo

Para operar de forma autônoma em um ambiente não-estruturado e complexo como campos agrícolas, máquinas necessitam de /compreensão tridimensional de cena/: um processo baseado em raciocínio de máquina para detectar estruturas de interesse, sua organização e pose no espaço tridimensional. O recente sucesso das redes neurais profundas (DNN) em vários problemas de inteligência artificial fez com que alguns pesquisadores afirmassem que /Deep Learning é o mestre das tarefas perceptuais/ na atual pesquisa em visão computacional. Apesar do grande número de trabalhos em tarefas que envolvem imagens, áudio ou texto, há uma carência de soluções baseada em aprendizado para tarefas de reconhecimento no processamento de dados 3-D, como nuvens de pontos tridimensionais (point clouds). Recentemente, Qi et al. propuseram uma nova arquitetura de rede neural para tarefas de classificação e segmentação em nuvens de pontos, denominada PointNet, possivelmente um dos primeiros trabalhos para segmentação e classificação de estruturas tridimensionais representadas como point clouds. Esta bolsa de Iniciação Científica (CI) tem como objetivo introduzir o aluno à aprendizagem supervisionada baseada em DNNs. O bolsista ajudará a equipe AACr3 a (I) desenvolver uma ferramenta de anotação para dados 3-D; (II) treinar uma arquitetura de rede neural profunda, baseada na PointNet, para problemas de segmentação e classificação em point clouds que representam parcelas de culturas reais e (III) avaliar a solução usando dados de teste.