Métodos de Fusão de Representações Multi-nível baseado em Aprendizagem Fracamente Supervisionada.

• Processo: 21/01870-5
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de abril de 2021
• Data de Término da vigência: 31 de agosto de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: Microsoft Research
• Pesquisador responsável: Fabio Augusto Faria
• Beneficiário: Luiz Henrique Buris
• 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): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: aprendizagem profunda | Classificação de Imagens | fusão de classificadores | Aprendizagem de Máquina

Resumo

Muitas técnicas de aprendizagem de máquina têm a necessiade de utilizar grandes conjunto de dados rotulados para construir modelos preditivos e resolver tarefas de aprendizagem supervisionada. O uso de técnicas de aprendizado profundo pode ser destacado, desde que elas têm sido muito utilizadas e obtido sucesso em diversos domínios de conhecimento. Por outro lado, o conjunto de dados rotulados não estão disponíveis ou são insuficientes para treinar de forma efetiva um modelo supervisionado. Tais cenários têm sudi principalmente endereçados por técnicas de aprendizagem não-supervisionadas, as quais consideram dados não rotulados para aprender sobre suas estruturas. Entretanto, o uso de métodos completamente não supervisionados ainda são desafios de pesquisas em muitos cenários. Uma solução promissora é baseada no uso de técnicas de abordagens fracamente supervisionadas, capazes de realizar tarefas de aprendizagem efetiva utilizando de conjuntos rotulados incompletos ou não precisos. O objetivo deste projeto de mestrado é a implementação de um métodos de fusão de representações multi-níveis por meio de técnicas de aprendizagem fracamente supervisionada para tarefas de reconhecimento multimídia. (AU)

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)

BURIS, LUIZ H.; PEDRONETTE, DANIEL C. G.; PAPA, JOAO P.; ALMEIDA, JURANDY; CARNEIRO, GUSTAVO; FARIA, FABIO A.; IEEE. MIXUP-BASED DEEP METRIC LEARNING APPROACHES FOR INCOMPLETE SUPERVISION. 2022 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, ICIP, v. N/A, p. 5-pg., 2022-01-01. (18/23908-1, 14/12236-1, 19/07665-4, 21/01870-5)