Aprendizado não supervisionado baseado em ranqueamento e aprendizado profundo em domínios diversos

• Processo: 20/02183-9
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de abril de 2020
• Data de Término da vigência: 29 de fevereiro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Daniel Carlos Guimarães Pedronette
• Beneficiário: Vanessa Helena Pereira Ferrero
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Vinculado ao auxílio: 18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação, AP.JP2
• Assunto(s): Aprendizagem profunda Aprendizado de máquina não supervisionado Recuperação da informação Classificação de dados
• Palavra(s)-Chave do Pesquisador: Deep Learning | ranking | unsupervised learning | Reperação de Informações e Aprendizado de Máquina

Resumo

Métodos de aprendizado não supervisionado baseados em ranqueamento têm se estabelecido como uma solução para aumentar a eficácia de buscas baseadas em conteúdo sem requerer intervenção dos usuários. Tais métodos exploram relações contextuais entre as imagens, geralmente codificadas nas informações de distância e similaridade das coleções. Concomitantemente, estratégias baseados em aprendizado profundo assumiram uma posição de destaque nas mais diversas tarefas de aprendizado de máquina. Assim, este projeto de pesquisa tem como objetivo combinar essas duas linhas de pesquisa, investigando novos de métodos de aprendizado não supervisionado que sejam baseados em ranqueamento e aprendizado profundo. Além disso, pretende-se também investigar outros cenários de recuperação e classificação, ampliando os domínios de aplicação dos métodos de aprendizado não supervisionado. (AU)

Publicações científicas

(4)

(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)

PEREIRA-FERRERO, VANESSA HELENA; VALEM, LUCAS PASCOTTI; PEDRONETTE, DANIEL CARLOS GUIMARAES. Feature augmentation based on manifold ranking and LSTM for image classification (R). EXPERT SYSTEMS WITH APPLICATIONS, v. 213, p. 16-pg., 2023-03-01. (17/25908-6, 20/02183-9, 18/15597-6, 20/11366-0)

DE ALMEIDA, LUCAS BARBOSA; PEREIRA-FERRERO, VANESSA HELENA; VALEM, LUCAS PASCOTTI; ALMEIDA, JURANDY; GUIMARAES PEDRONETTE, DANIEL CARLOS; IEEE COMP SOC. Representation Learning for Image Retrieval through 3D CNN and Manifold Ranking. 2021 34TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2021), v. N/A, p. 8-pg., 2021-01-01. (18/15597-6, 20/02183-9, 17/25908-6)

VALEM, LUCAS PASCOTTI; SATO KAWAI, VINICIUS ATSUSHI; PEREIRA-FERRERO, VANESSA HELENA; GUIMARAES PEDRONETTE, DANIEL CARLOS; IEEE. A NOVEL RANK CORRELATION MEASURE FOR MANIFOLD LEARNING ON IMAGE RETRIEVAL AND PERSON RE-ID. 2022 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, ICIP, v. N/A, p. 5-pg., 2022-01-01. (18/15597-6, 20/02183-9, 21/07993-1, 20/11366-0)

ROZIN, BIONDA; PEREIRA-FERRERO, VANESSA HELENA; LOPES, LEONARDO TADEU; PEDRONETTE, DANIEL CARLOS GUIMARAES. A rank-based framework through manifold learning for improved clustering tasks. INFORMATION SCIENCES, v. 580, p. 202-220, NOV 2021. (17/25908-6, 20/02183-9, 20/08854-2, 18/15597-6)