Investigação de métodos de adaptação de domínio de conjunto aberto para problemas de visão computacional

• Processo: 21/13348-1
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 01 de fevereiro de 2022
• 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: Jurandy Gomes de Almeida Junior
• Beneficiário: Lucas Fernando Alvarenga e Silva
• Supervisor: Niculae Sebe
• 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
• Instituição Anfitriã: Universitá degli Studi di Trento, Itália
• Vinculado à bolsa: 20/08770-3 - Métodos de reconhecimento multimídia com uso de redes profundas para conjuntos abertos, BP.MS
• Assunto(s): Visão computacional Aprendizagem profunda Redes neurais convolucionais
• Palavra(s)-Chave do Pesquisador: Computer Vision | Deep Learning | Open Set | Open Set Domain Adaptation | Unsupervised Domain Adaptation | Processamento Gráfico (Graphics)

Resumo

Métodos de Aprendizado Profundo tem obtido avanços revolucionários em muitas áreas de pesquisa devido a sua capacidade de aprendizado através de dados crus. Em particular, as Redes Neurais Convolucionais tem substancialmente aumentado o desenvolvimento de sistemas multimídia inteligentes, como sistemas de processamento de linguagem natural e sistemas de visão computacional. Entretanto, quando esses métodos são aplicados em ambientes não-controláveis, normalmente em problemas do mundo real, diversos fatores podem degradar o desempenho esperado do modelo. Por exemplo, ao lidar com conjuntos de dados não-rotulados. Uma vez que rotular seus exemplos é custoso, uma proposta ingênua refere-se ao treinamento do modelo em conjuntos de dados similares que sejam anotados, contudo, seus exemplos podem apresentar certos graus de mudança de domínio, degradando o desempenho do modelo. Outro problema ao inferir sobre conjuntos de dados não-rotulados acontece quando o modelo se depara com exemplos de teste com classes não vistas durante o treinamento, levando o modelo a realizar predições errôneas. Cada um destes problemas tem sido o objetivo das áreas de pesquisa denominadas por Adaptação de Domínio Não-Supervisionada (UDA) e Classificação de Conjuntos Abertos (OS), respectivamente. Pode-se assumir um cenário ainda mais desafiador através da combinação destes problemas do mundo real, o qual é investigado sobre a área de pesquisa de Adaptação de Domínio de Conjuntos Abertos (OSDA), conjuntamente lidando com as premissas de UDA e OS através do treinamento com dados não-rotulados onde nem todas as classes são conhecidas a priori. Esta proposta de pesquisa busca lidar com esse cenário mais desafiador, com a aprendizagem de dados não rotulados e reconhecido classes desconhecidas em tempo de inferência. Para isso, pretende-se investigar técnicas de Alinhamento de Domínio, para aliviar a mudança de domínio entre os conjuntos de dados, e Aprendizado Contrastivo para melhorar a discriminalidade entre classes conhecidas e desconhecidas. Acredita-se que trabalhar conjuntamente com o "Multimedia and Human Understanding Group (MHUG)" da Universidade de Trento, Itália, devido as suas contribuições em tópicos relacionados, pode auxiliar em definir caminhos eficientes para lidar com problemas de OSDA. (AU)