Ciência das redes para otimização de redes neurais artificiais em visão computacional

• Processo: 21/09163-6
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 12 de janeiro de 2022
• Data de Término da vigência: 11 de janeiro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Odemir Martinez Bruno
• Beneficiário: Leonardo Felipe dos Santos Scabini
• Supervisor: Bernard de Baets
• Instituição Sede: Instituto de Física de São Carlos (IFSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Ghent University (UGent), Bélgica
• Vinculado à bolsa: 19/07811-0 - Redes neurais artificiais e redes complexas: um estudo integrativo de propriedades topológicas e reconhecimento de padrões, BP.DR
• Assunto(s): Visão computacional Aprendizado computacional Redes neurais (computação) Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Artificial Neural Networks | Computer Vision | machine learning | Network Science | Inteligência Artificial

Resumo

Visão computacional é uma das áreas mais difundidas dentro do aprendizado de máquina e onde a maioria das redes neurais artificiais profundas (ANNs) emergiram. Embora esses modelos alcancem resultados excelentes em grandes tarefas de visão, sua complexidade cada vez maior dificulta um melhor entendimento de seu funcionamento interno. Consequentemente, a maioria dos métodos de design e otimização de arquitetura geralmente são baseados em distribuições aleatórias e por tentativa e erro. Portanto, propomos o uso de Ciência das Redes para melhorar ANNs em Visão Computacional. Na maioria desses modelos, neurônios e sinapses podem ser modelados diretamente como Redes Complexas (CN). A partir dessa representação por grafos, calculamos várias características topológicas com base em centralidade neuronal e, em seguida, uma técnica de agrupamento destaca os tipos de neurônios mais relevantes. A distribuição desses tipos de neurônios representa a estrutura geral da ANN, que analisamos em correlação com a precisão do modelo. Nossa metodologia permite estabelecer um elo entre topologia e desempenho para o desenvolvimento de mecanismos para otimizá-los, onde consideraremos a engenharia de arquitetura (construção/inicialização) e a otimização (compressão/adaptação). Um dos benefícios dessa abordagem é que os modelos obtidos são mais teoricamente plausíveis dentro da Ciência das Redes. Vamos considerar essa abordagem em diferentes arquiteturas neurais e explorar sua aplicabilidade para tarefas específicas e de pequena escala, como análise de textura. Os métodos desenvolvidos também serão analisados em aplicações multidisciplinares de colaborações de pesquisa na universidade anfitriã. O desenvolvimento de métodos aplicados é uma etapa crucial do doutorado, e o estágio em um centro internacional de primeira linha também fortalecerá a rede de colaboração de nosso grupo de pesquisa. (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)

SCABINI, LEONARDO; RIBAS, LUCAS; RIBEIRO, ERALDO; BRUNO, ODEMIR; RIBEIRO, P; SILVA, F; MENDES, JF; LAUREANO, R. Deep Topological Embedding with Convolutional Neural Networks for Complex Network Classification. NETWORK SCIENCE (NETSCI-X 2022), v. 13197, p. 13-pg., 2022-01-01. (16/18809-9, 21/09163-6, 14/08026-1, 19/07811-0, 16/23763-8)

SCABINI, LEONARDO; ZIELINSKI, KALLIL M.; RIBAS, LUCAS C.; GONCALVES, WESLEY N.; DE BAETS, BERNARD; BRUNO, ODEMIR M.. RADAM: Texture recognition through randomized aggregated encoding of deep activation maps. PATTERN RECOGNITION, v. 143, p. 13-pg., 2023-11-01. (22/03668-1, 21/09163-6, 18/22214-6, 21/07289-2, 21/08325-2, 19/07811-0)