Aprendizado Adversarial de Políticas de Aumentação de Images para Detecção de Objetos

• Processo: 19/17312-1
• Linha de fomento: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Vigência (Início): 01 de outubro de 2019
• Vigência (Término): 31 de março de 2020
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Nina Sumiko Tomita Hirata
• Beneficiário: Leonardo Blanger
• Supervisor no Exterior: Xiaoyi Jiang
• Instituição-sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Local de pesquisa : University of Munster, Alemanha
• Vinculado à bolsa: 18/00390-7 - Detecção de códigos QR usando modelos de aprendizado profundo, BP.MS
• Assunto(s): Aprendizagem profunda

Resumo

Avanços recentes em arquiteturas neurais profundas atingiram resultados impressionantes na tarefa de Detecção de Objetos. Entretanto, estas técnicas são conhecidas por precisarem de grandes quantidades de dados rotulados para poder generalizar corretamente, dados que são mais difíceis de obter do que no caso tradicional de classificação de imagens. Para amenizar este problema, a aplicação de técnicas de aumentação de imagens se tornou padrão na literatura. Estas formas tradicionais de aumentação consistem sobretudo de sequências fixas de operações projetadas manualmente e aplicadas sobre as imagens com parâmetros aleatórios, o que já ameniza a falta de dados rotulados no problema de detecção genérica de objetos, porém não sendo o suficiente em cenários mais específicos onde existem poucos dados. Nesta perspectiva, alguns trabalhos já utilizam técnicas de geração de imagens para criar novos exemplos de treinamento artificialmente, mas no melhor do nosso conhecimento, nenhum deles aborda detecção de objetos.De forma paralela, modelos geradores propostos recentemente, baseados no framework GAN, atingiram resultados impressionantes em termos de realismo visual para algumas classes de objetos, e certos trabalhos em aumentação de imagens já utilizam estes modelos para tarefas de classificação.O objetivo deste estágio é investigar a aplicação de arquiteturas adversariais propostas recentemente, para geração automática de exemplos rotulados, de modo a aprimorar a qualidade de modelos de detecção de objetos baseados em aprendizado profundo.