Aprendizado de representação de rascunhos e imagens para reconhecimento, busca e síntese entre-domínios

• Processo: 21/06462-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de dezembro de 2021
• Data de Término da vigência: 31 de outubro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: Luísa Balleroni Shimabucoro
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 22/09913-8 - Avaliação de modelos de few-shot learning usando estimativas de desempenho e classificação, BE.EP.IC
• Assunto(s): Aprendizagem profunda Redes neurais (computação) Visão computacional Reconhecimento de imagem Análise espaço-temporal
• Palavra(s)-Chave do Pesquisador: Aprendizado profundo | Visão Computacional | Aprendizado profundo aplicado à visão computacional

Resumo

O aprendizado de representação, com frequência aplicado às atividades de busca, classificação e geração multi-domínio, apresentou um grande avanço nas últimas décadas com o uso de modelos de aprendizado profundo, em particular com arquiteturas de Redes Neurais Recorrentes (RNNs) aplicadas ao domínio de rascunhos. Contudo, tais modelos negligenciam dependências espaço-temporais, o que resulta em representações mais limitadas devido a problemas de contextualização. Arquiteturas baseadas em Transformers apresentam uma oportunidade de melhoria quanto a esses aspectos, além de possuir um custo computacional reduzido, o que possibilita avanços no que se refere às atividades realizadas dentro desse escopo. Este projeto busca, então, realizar estudos e experimentos dentro da área de aprendizado de representação de rascunhos de forma a analisar seu comportamento e explorar novos métodos os quais podem proporcionar melhorias nas tarefas de classificação, busca de imagens e síntese de rascunhos. (AU)