Aprendizado auto-supervisionado para biometria e outras aplicações

• 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)