Extração de características com aprendizado profundo em cenários de dados e processamento limitados

• Processo: 22/02176-8
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de abril de 2022
• Data de Término da vigência: 31 de março de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Solange Oliveira Rezende
• Beneficiário: Antonio Rafael Sabino Parmezan
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 19/17721-9 - A função da Química na adaptação de holobiontes, AP.TEM
• Assunto(s): Aprendizado computacional Aprendizagem profunda Transferência de aprendizado de máquina Unidade de processamento gráfico Bases de dados científicos Imagens Micro-organismos
• Palavra(s)-Chave do Pesquisador: Deep Learning | Feature Extraction | Transfer Learning | Aprendizado de Máquina

Resumo

Neste projeto, métodos estado-da-arte serão pesquisados para acelerar os tempos de treinamento e teste de modelos de aprendizado profundo. Também é de interesse desenvolver novas técnicas para treinar tais modelos com uma quantidade limitada de dados. Para acelerar, serão explorados hardware personalizado, como Unidades de Processamento Gráfico (GPUs), para treinamento e hardware incorporado para teste. Pretende-se ainda investigar maneiras de aprimorar um banco de dados de imagens de microrganismos não catalogados, a serem coletadas neste projeto, para torná-lo mais eficaz para modelos de treinamento. Os modelos de aprendizado profundo são conhecidos por dependerem de um grande volume de dados na etapa de treinamento; logo, transformações de imagem e técnicas de aprendizado por transferência serão exploradas para introduzir diversidade e reduzir a dependência de dados. A eficiência das técnicas propostas será avaliada quanto ao aumento da acurácia e a redução dos tempos de treinamento e teste em relação aos modelos de aprendizado profundo treinados diretamente a partir do banco de dados de imagens. (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)

MINATEL, DIEGO; PARMEZAN, ANTONIO R. S.; CURI, MARIANA; LOPES, ALNEU DE A.. DIF-SR: A Differential Item Functioning-Based Sample Reweighting Method. PROGRESS IN PATTERN RECOGNITION, IMAGE ANALYSIS, COMPUTER VISION, AND APPLICATIONS, CIARP 2023, PT I, v. 14469, p. 16-pg., 2024-01-01. (22/02176-8, 20/09835-1)