Busca avançada
Ano de início
Entree

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.

Mapa da distribuição dos acessos desta página
Para ver o sumário de acessos desta página, clique aqui.