Busca avançada
Ano de início
Entree

Métodos de reconhecimento multimídia com uso de redes profundas para conjuntos abertos

Processo: 20/08770-3
Linha de fomento:Bolsas no Brasil - Mestrado
Vigência (Início): 01 de setembro de 2020
Vigência (Término): 31 de agosto de 2022
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Convênio/Acordo: 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
Assunto(s):Visão computacional   Aprendizagem profunda   Aprendizado computacional   Reconhecimento de imagem   Unidade de processamento gráfico

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:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

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)
ROCHA, GUILHERME CONCEICAO; PAIVA, HENRIQUE MOHALLEM; SANCHES, DAVI GONCALVES; FIKS, DANIEL; CASTRO, RAFAEL MARTINS; ALVARENGA E SILVA, LUCAS FERNANDO. Information system for epidemic control: a computational solution addressing successful experiences and main challenges. LIBRARY HI TECH, v. 39, n. 3, SI, p. 834-854, SEP 13 2021. Citações Web of Science: 0.
ROCHA, GUILHERME CONCEICAO; PAIVA, HENRIQUE MOHALLEM; SANCHES, DAVI GONCALVES; FIKS, DANIEL; CASTRO, RAFAEL MARTINS; ALVARENGA E SILVA, LUCAS FERNANDO. Information system for epidemic control: a computational solution addressing successful experiences and main challenges. LIBRARY HI TECH, MAR 2021. Citações Web of Science: 0.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.