Mapeamento de representações em diferentes domínios e subespaços utilizando aprendizado profundo geométrico

• Processo: 20/16475-1
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de fevereiro de 2021
• Data de Término da vigência: 31 de julho de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: Matheus da Silva Araujo
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 19/07316-0 - Teoria de singularidades e aplicações a geometria diferencial, equações diferenciais e visão computacional, AP.TEM
• Assunto(s): Visão computacional Metodologia e técnicas de computação Mapeamento Teoria das singularidades
• Palavra(s)-Chave do Pesquisador: Aprendizado de representações | Aprendizado Profundo Geométrico | Teoria de Singularidades | Visão Computacional

Resumo

Em visão computacional, o mapeamento entre dados em domínios distintos permanece como um problema em aberto. Por exemplo, é um desafio reconhecer a identidade de uma pessoa em diferentes representações, como fotos, rascunhos e escaneamentos 3D. A maioria dos métodos existentes não exploram a geometria não-Euclidiana das variedades, que modelam curvas e superfícies como, por exemplo, o rosto humano. Uma abordagem geométrica permitiria extrair informações relevantes de ambos os domínios. Nesse projeto serão investigados métodos para aprender características geométricas de variedades e utilizar essas características para mapear dados entre domínios distintos. Serão considerados métodos de aprendizado profundo geométrico e aprendizado de representações, explorando a capacidade de usar características geométricas para mapear dados entre domínios distintos, em particular nos espaços bidimensionais e tridimensionais.