Mineração de pessoas, objetos e lugares de interesse em fontes heterogêneas de dados

• Processo: 19/15825-1
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de agosto de 2019
• Data de Término da vigência: 30 de novembro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Anderson de Rezende Rocha
• Beneficiário: Gabriel Capiteli Bertocco
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 17/12646-3 - Déjà vu: coerência temporal, espacial e de caracterização de dados heterogêneos para análise e interpretação de integridade, AP.TEM
• Bolsa(s) vinculada(s): 22/02299-2 - Aprendizado auto-supervisionado para biometria e outras aplicações, BE.EP.DD
• Assunto(s): Aprendizado computacional Computação forense Antropologia forense Reconhecimento facial Inteligência artificial Mineração de dados
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Computação Forense | dados heterogêneos | Inteligência Artificial | mineração de dados complexos | Aprendizado de Máquina, Computação Forense

Resumo

Nesta pesquisa, temos por objetivo projetar um framework para classificar a frequência da aparição de diferentes indivíduos, objetos ou lugares baseados em texto e informações visuais relacionados a um evento de interesse para análise posterior. Além disso, pretendemos (1) projetar e desenvolver métodos apropriados para buscar algumas possíveis classes de interesse (possíveis suspeitos, lugares ou objetos de interesse), rejeitando classes/objetos não-interessantes; e (2) desenvolver métodos de identificação humana (por exemplo, reconhecimento facial) para tais cenários desafiadores e específicos para identificar possíveis suspeitos em um evento. (AU)

Publicações científicas

(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)

BERTOCCO, GABRIEL C.; ANDALO, FERNANDA; ROCHA, ANDERSON. Unsupervised and Self-Adaptative Techniques for Cross-Domain Person Re-Identification. IEEE Transactions on Information Forensics and Security, v. 16, p. 4419-4434, 2021. (19/15825-1, 17/12646-3)

BERTOCCO, GABRIEL; THEOPHILO, ANTONIO; ANDALO, FERNANDA; ROCHA, ANDERSON. Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution. IEEE Transactions on Information Forensics and Security, v. 18, p. 15-pg., 2023-01-01. (19/15825-1, 18/10204-6, 17/12646-3)

Publicações acadêmicas

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

BERTOCCO, Gabriel Capiteli. Self-supervised learning for fully unsupervised re-identification in real-world applications. 2024. Tese de Doutorado - Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Campinas, SP.