Seleção de imagens para anotação interativa com auxílio da projeção do espaço de características

• Processo: 21/06545-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2021
• Data de Término da vigência: 30 de junho de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Alexandre Xavier Falcão
• Beneficiário: Gabriel Dourado Seabra
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?, AP.TEM
• Assunto(s): Aprendizagem profunda Aprendizado computacional Redes neurais convolucionais Classificação de imagens Projeção Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Analítica Visual de Dados | Deep Learning | machine learning | Visualização e Analítica de Dados

Resumo

O desenvolvimento de modelos de aprendizado baseado em redes neurais convolucionais ao longo dos anos tem contribuído para importantes avanços em problemas de classificação e segmentação de imagens. Muitos desses modelos desenvolvidos, no entanto, dependem de um grande número de amostras rotuladas para treinamento, o que pode exigir significativo investimento de tempo e dinheiro. O volume de investimento necessário para obter grandes bases anotadas pode ser especialmente proibitivo em áreas como na Biologia e na Medicina. Nesse contexto, torna-se evidente a necessidade de desenvolvimento de métodos de aprendizado fracamente supervisionado - i.e., métodos de aprendizado que conseguem tirar proveito de poucas amostras rotuladas para o treinamento de bons modelos. O Featue Learning from Image Markers (FLIM) se insere nesse contexto, uma vez que usa informações sobre pouquíssimas amostras, com regiões de interesse marcadas pelo usuário, para a extração de características que serão, em última análise, usadas para treinamento de um classificador. No entanto, ainda há questões não respondidas sobre o FLIM: Como selecionar as melhores amostras e regiões para marcação do usuário? Como podemos usar o impacto visual destas escolhas no projeto de arquitetura da rede convolucional do extrator FLIM? Para responder essas questões, será desenvolvida uma interface interativa que permita a seleção e marcação dessas imagens para a melhoria do espaço de características assim como a visualização esse espaço de características em uma projeção 2D. O fluxo de trabalho será validado no contexto de classificação de imagens e comparado com um popular modelo de extrator - baseado em uma rede auto-codificadora. (AU)