Suporte para ambiente computacional e execução de experimentos: aprendizado fracamente supervisionado e fusão de métodos de classificação

• Processo: 20/11366-0
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de novembro de 2020
• Data de Término da vigência: 30 de junho de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: Microsoft Research
• Pesquisador responsável: Daniel Carlos Guimarães Pedronette
• Beneficiário: Lucas Pascotti Valem
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , 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): Aprendizado computacional Aprendizagem profunda Multimídia
• Palavra(s)-Chave do Pesquisador: Classification | weakly supervised learning | Aprendizado fracamente supervisionado

Resumo

Em geral, técnicas de aprendizado de máquina baseiam-se em grandes conjuntos de dados rotulados para construir modelos preditivos, em especial técnicas baseadas em aprendizado profundo, que têm sido amplamente utilizadas com sucesso em vários domínios. Em contrapartida, é comum a insuficiência de conjuntos de dados rotulados para treinamento de modelos supervisionados efetivos. Neste cenário, destaca-se como promissor o uso de abordagens fracamente supervisionadas, capazes de realizar tarefas de aprendizado com base em conjuntos rotulados incompletos ou inexatos. No projeto de pesquisa associado, investigamos a análise, recuperação e classificação de objetos multimídia utilizando pequenos conjuntos de treinamento. O objetivo principal do projeto consiste em investigar e propor métodos capazes de analisar sequências de vídeo comprimido e gerar alertas de acordo com as aplicações consideradas. Tais abordagens podem ser úteis e relevantes em vários domínios, desde ambientes de vigilância, aplicações médicas e industriais, incluindo também casas inteligentes. A realização da pesquisa requer a execução de códigos e a instalação de arcabouços de software recentes. Além disso, é crucial a necessidade de execução e monitoramento de experimentos, frequentemente de longa duração. A bolsa de treinamento em questão tem como principal objetivo prover suporte a estas tarefas. (AU)

Publicações científicas

(8)

(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)

VALEM, LUCAS PASCOTTI; PEDRONETTE, DANIEL CARLOS GUIMARAES; LATECKI, LONGIN JAN. Graph Convolutional Networks based on manifold learning for semi-supervised image classification. COMPUTER VISION AND IMAGE UNDERSTANDING, v. 227, p. 14-pg., 2023-01-06. (17/25908-6, 18/15597-6, 20/11366-0)

CAMACHO PRESOTTO, JOAO GABRIEL; VALEM, LUCAS PASCOTTI; DE SA, NIKOLAS GOMES; GUIMARAES PEDRONETTE, DANIEL CARLOS; PAPA, JOAO PAULO; IEEE COMP SOC. Weakly Supervised Learning through Rank-based Contextual Measures. 2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR), v. N/A, p. 8-pg., 2021-01-01. (14/12236-1, 19/11104-8, 18/15597-6, 19/04754-6, 20/11366-0)

VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; ACM. A Denoising Convolutional Neural Network for Self-Supervised Rank Effectiveness Estimation on Image Retrieval. PROCEEDINGS OF THE 2021 INTERNATIONAL CONFERENCE ON MULTIMEDIA RETRIEVAL (ICMR '21), v. N/A, p. 9-pg., 2021-01-01. (18/15597-6, 17/25908-6, 20/11366-0)

DE ALMEIDA, LUCAS BARBOSA; VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; IEEE. GRAPH CONVOLUTIONAL NETWORKS AND MANIFOLD RANKING FOR MULTIMODAL VIDEO RETRIEVAL. 2022 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, ICIP, v. N/A, p. 5-pg., 2022-01-01. (20/11366-0, 18/15597-6, 20/03311-0)

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)

PRESOTTO, JOAO GABRIEL CAMACHO; DOS SANTOS, SAMUEL FELIPE; VALEM, LUCAS PASCOTTI; FARIA, FABIO AUGUSTO; PAPA, JOAO PAULO; ALMEIDA, JURANDY; PEDRONETTE, DANIEL CARLOS GUIMARAES. Weakly supervised learning based on hypergraph manifold ranking?. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION, v. 89, p. 12-pg., 2022-10-25. (18/15597-6, 18/23908-1, 17/25908-6, 19/04754-6, 20/11366-0)

GUIMARAES PEDRONETTE, DANIEL CARLOS; PASCOTTI VALEM, LUCAS; LATECKI, LONGIN JAN. Efficient Rank-Based Diffusion Process with Assured Convergence. JOURNAL OF IMAGING, v. 7, n. 3, MAR 2021. (20/11366-0, 18/15597-6, 17/25908-6)