| Processo: | 22/02299-2 |
| Modalidade de apoio: | Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto |
| Data de Início da vigência: | 01 de julho de 2022 |
| Data de Término da vigência: | 30 de junho de 2023 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | Anderson de Rezende Rocha |
| Beneficiário: | Gabriel Capiteli Bertocco |
| Supervisor: | Terrance E. Boult |
| Instituição Sede: | Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil |
| Instituição Anfitriã: | University of Colorado, Colorado Springs (UCCS), Estados Unidos |
| Vinculado à bolsa: | 19/15825-1 - Mineração de pessoas, objetos e lugares de interesse em fontes heterogêneas de dados, BP.DD |
| Assunto(s): | Biometria Aprendizado de máquina supervisionado Aprendizagem profunda Visão computacional Sistemas de informação |
| Palavra(s)-Chave do Pesquisador: | Biometria | Deep Learning | Visão Computacional | Sistemas de Informação |
Resumo Um problema fundamental em aprendizado de máquina é lidar com dados não rotulados. A maioria dos modelos se baseia em uma massiva quantidade de dados rotulados para alcançar o estado-da-arte. No entanto, o processo de rotulação demanda tempo, é custoso e sujeito a erros de anotação e viéses. É fundamental desenvolver modelos que são capazes de minerar padrões em um cenário totalmente não-supervisionado permitindo uma implantação rápida e livre de viéses. Esse projeto almeja utilizar algoritmos de auto-aprendizado para lidar com dados não rotulados para cenários gerais e desafiadores em que as anotações não estão presentes. Um cenário desafiador pode conter uma alta disparidade intra-classe (as representações da mesma classes ficam longe uma das outras) e alta similaridade inter-classe (representações de classes distintas ficam mais próximas). Para instanciar esses pré-requisitos complexos, nós exploramos o problema de Re-Identificação de Pessoas de longa distância de forma Não-supervisionada e Semi-supervisionada, onde as imagens das pessoas são capturadas de diferentes distâncias e momentos no tempo, resultando em alteração na resolução e na aparência. A solução pode ser estendida para objetos e lugares, e usada em várias aplicações de impacto social, tais como investigação e compreensão de eventos. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |