Segmentação semântica baseada em métodos variacionais

• Processo: 19/08589-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de setembro de 2019
• Data de Término da vigência: 30 de novembro de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Gerberth Adín Ramírez Rivera
• Beneficiário: Rodrigo Fumihiro de Azevedo Kanehisa
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Visão computacional Aprendizado computacional Aprendizagem profunda Semântica de programação Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: Computer Vision | Deep Learning | machine learning | Semantic Segmentation | Machine Learning, Deep Learning

Resumo

A segmentação semântica é um dos grandes problemas em aberto da visão computacional. Esse problema consiste em classificar cada pixel presente em uma imagem, delimitando um objeto. Redes neurais convolucionais mostraram-se eficientes na detecção, identificação e segmentação de objetos em imagens. No entanto, durante o processo de segmentação, alguns problemas surgem, como perda de informações espaciais e baixa resolução de mapas de recursos. Esses problemas levam a segmentações grosseiras ou ruidosas devido às incertezas nos dados. Uma maneira de combater esses problemas é usar métodos estatísticos em conjunto com redes neurais. Este projeto propõe redes neurais baseadas em métodos variacionais para segmentação semântica. Os métodos variacionais apresentam uma solução para mapear o conteúdo da imagem em um espaço latente que representa as distribuições dos dados. Assim, permitindo que a rede lide com a incerteza e modele informações mais complexas. Propomos usar uma Mistura de Modelos Gaussianos para lidar com as informações complexas. Vamos avaliar nossas propostas dentro de bases de dados existentes e comparar com os métodos existentes em métricas padrão para segmentação semântica. (AU)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

KANEHISA, Rodrigo Fumihiro de Azevedo. Semantic segmentation with global mixture of Gaussian priors. 2022. Dissertação de Mestrado - Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Campinas, SP.