| Processo: | 20/08770-3 |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |
| Data de Início da vigência: | 01 de setembro de 2020 |
| Data de Término da vigência: | 31 de janeiro de 2023 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Acordo de Cooperação: | Microsoft Research |
| Pesquisador responsável: | Jurandy Gomes de Almeida Junior |
| Beneficiário: | Lucas Fernando Alvarenga e Silva |
| Instituição Sede: | Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil |
| Empresa: | Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Instituto de Geociências e Ciências Exatas (IGCE) |
| Vinculado ao auxílio: | 17/25908-6 - Aprendizado fracamente supervisionado para análise de vídeos no domínio comprimido em tarefas de recuperação e classificação para alertas visuais, AP.PITE |
| Bolsa(s) vinculada(s): | 21/13348-1 - Investigação de métodos de adaptação de domínio de conjunto aberto para problemas de visão computacional, BE.EP.MS |
| Assunto(s): | Visão computacional Aprendizagem profunda Aprendizado computacional Reconhecimento de imagem Unidade de processamento gráfico |
| Palavra(s)-Chave do Pesquisador: | aprendizagem profunda | metodos de conjunto aberto | Recuperação de Informação Multimídia | Visão Computacional | Processamento Gráfico (Graphics) |
Resumo Hoje em dia o uso de métodos de visão computacional vem crescendo devido a ótimos resultados obtidos em tarefas de reconhecimento de imagens e vídeos. Isso se deve principalmente a evolução dos métodos de aprendizado de máquina, em especial, redes neurais profundas. Entretanto, esses métodos são normalmente adaptados para problemas com limites muito bem definidos, tendo, assim, baixa flexibilidade para com dados que estejam fora do escopo do problema proposto. Em problemas do mundo real, espera-se que métodos de classificação tenham resultados equivalentes aos da etapa de treinamento. Porém, quando utilizados nesses problemas, é possível observar significativas perdas de desempenho. Isso ocorre devido a baixa generalização de redes profundas em dados ainda não vistos ou de diferentes domínios, problemas conhecidos por diferença de domínio e diferença de categoria. Com isso foram introduzidas novas linhas de pesquisa que buscam flexibilizar esse limite, como a adaptação não-supervisionada de domínio e os métodos de conjunto aberto. Enquanto a adaptação não-supervisionada de domínios busca alinhar as distribuições de dados, os métodos de conjunto aberto flexibilizam os limites de conhecimento a partir do reconhecimento de se o dado pode ser reconhecido pela rede profunda. Este trabalho tem por objetivo o estudo e investigação de redes profundas com uso em conjuntos de dados abertos, assim como desenvolvimento de métodos para uso em reconhecimento de imagens e vídeos. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |