| Processo: | 20/12101-0 |
| Modalidade de apoio: | Bolsas no Brasil - Programa Capacitação - Treinamento Técnico |
| Data de Início da vigência: | 01 de outubro de 2020 |
| Data de Término da vigência: | 30 de junho de 2021 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Acordo de Cooperação: | Microsoft Research |
| Pesquisador responsável: | João Paulo Papa |
| Beneficiário: | Leandro Aparecido Passos Junior |
| Instituição Sede: | Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , 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 Aprendizado computacional Reconhecimento de padrões Processamento de dados Coleta de dados |
| Palavra(s)-Chave do Pesquisador: | processamento de vídeos | Reconhecimento de Padrões | Aprendizado de máquina |
Resumo Benchmarks de imagem e vídeo são essenciais para o avanço de algoritmos de visão computacional voltados para compreensão de imagem e vídeo. Além do mais, a rápida evolução de algoritmos “estado-da-arte” para compreensão desses dados só foi possível graças às bases de dados em larga escala, como a ImageNet, por exemplo. No contexto de vídeos, porém, apesar do recente progresso de conjuntos de dados de pequena para média escala, a maioria dos benchmarks de vídeos são restritos a poucas categorias, como ações ou eventos. Obtenção, categorização e manutenção de dados de vídeo são atividades essenciais para execução de avaliações experimentais em projetos de pesquisa. Sendo assim, é necessário coletar, organizar e manter vários conjuntos de dados heterogêneos de diferentes fontes. Além disso, outras atividades relacionadas ao contexto costumam ser computacionalmente custosas. Tais atividades englobam o desenvolvimento de ferramentas para acesso aos dados, execução de experimentos e avaliação de resultados. O bolsista de treinamento técnico será responsável por diversas tarefas relacionadas ao processo de coleta, organização e manutenção dos dados necessários para as avaliações experimentais. | |
| 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) | |