Busca avançada
Ano de início
Entree

Aprendizado ativo visual guiado por projeções de características

Processo: 19/10705-8
Linha de fomento:Bolsas no Brasil - Doutorado
Vigência (Início): 01 de março de 2020
Vigência (Término): 31 de agosto de 2023
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Alexandre Xavier Falcão
Beneficiário:Bárbara Caroline Benato
Instituição-sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Vinculado ao auxílio:14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?, AP.TEM
Assunto(s):Aprendizado computacional

Resumo

Modelos de Aprendizado de Máquina podem ser muito efetivos, quando o número de dados supervisionados para treinamento é alto. Em algumas áreas, como Medicina e Biologia, grandes conjuntos de treinamento supervisionados são de difícil obtenção, dado que a anotação manual de tais bases de dados é morosa e requer especialistas. Em geral, a anotação de dados baseada na inspeção visual (supervisão) de cada amostra de treinamento (objeto) é um processo laborioso, especialmente quando o número de amostras é alto. A fim de mitigar o esforço do usuário na anotação de dados, vários estudos têm adotado técnicas de aprendizado ativo, nas quais um classificador sugere as amostras mais informativas para o usuário supervisionar. Espera-se que o classificador, retreinado com as amostras supervisionadas adicionais, tenha um desempenho melhor na próxima iteração. Contudo, encontrar um conjunto menor e efetivo de amostras informativas para o usuário supervisionar pode ser uma tarefa difícil, uma vez que depende também do espaço de características. Como resultado, o número de iterações de aprendizado ativo (número de amostras anotadas) e interação do usuário pode continuar alto. Com um objetivo similar, nós apresentamos técnicas de anotação de dados interativas guiadas por projeções de características como parte da dissertação de Mestrado da aluna. Em tais trabalhos, o usuário pode visualizar amostras de treinamento supervisionadas (conjunto menor) e não-supervisionada (conjunto maior) em projeções do espaço 2D e, então, propagar rótulos para as amostras não-supervisionadas, com e sem a assistência de um classificador de padrões, mas sem supervisão do objeto de fato. Nesta proposta de Doutorado, nós temos a intenção de estender nossos trabalhos anteriores investigando e desenvolvendo a combinação de técnicas de análise visual, aprendizado de características e aprendizado ativo para um projeto de sistemas de classificação de imagens mais efetivos e com o mínimo de esforço do usuário na anotação de dados. A presente proposta também inclui um período no exterior na Universidade de Utrecht sob supervisão do Prof. Alexandru Telea --- um reconhecido especialista em Análise Visual de Dados.