Aprendizado profundo para reconhecimento de padrões em dados multissensores e multidimensionais

• Processo: 23/10442-2
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de setembro de 2023
• Data de Término da vigência: 28 de fevereiro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Odemir Martinez Bruno
• Beneficiário: Leonardo Felipe dos Santos Scabini
• Instituição Sede: Instituto de Física de São Carlos (IFSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 18/22214-6 - Rumo à convergência de tecnologias: de sensores e biossensores à visualização de informação e aprendizado de máquina para análise de dados em diagnóstico clínico, AP.TEM
• Bolsa(s) vinculada(s): 24/00530-4 - Agregação e aprendizado de características de textura com Vision Transformers e suas aplicações em imagens biológicas e médicas, BE.EP.PD
• Assunto(s): Aprendizagem profunda Visão computacional Reconhecimento de padrões Sensores Técnicas biossensoriais Diagnóstico por computador
• Palavra(s)-Chave do Pesquisador: Computer Vision | Deep Learning | Pattern Recognition | Sensory data | Deep learning

Resumo

Sensores e biossensores desempenham um papel crucial em vários campos, como diagnóstico precoce de câncer, detecção de vírus, contaminação em alimentos, água, etc. Com a intenção de desenvolver estratégias de detecção e diagnóstico precisas e econômicas, os pesquisadores exploraram o uso de técnicas de aprendizado de máquina e visão computacional. Embora essas abordagens tenham mostrado resultados promissores em imagens biológicas, imagens de sensores e biossensores foram menos exploradas na literatura. No projeto temático FAPESP (processo 2018/22214-6) vinculado a esta proposta, uma quantidade significativa de dados de imagem é gerada a partir de sensores e biossensores usando técnicas como microscopia eletrônica de varredura, microscopia óptica e microscopia confocal de varredura a laser (CLSM). Essas imagens possuem propriedades texturais únicas, e pesquisas anteriores indicam que os métodos de análise de textura são uma grande promessa para caracterizá-las. Enquanto isso, o aprendizado profundo e a visão computacional fizeram progressos notáveis recentemente, com técnicas como os Vision Transformers (ViTs) emergindo rapidamente e apresentando resultados impressionantes. No entanto, os modelos de ViT ainda não foram completamente analisados para análise de textura. Portanto, este projeto de pós-doutorado busca desenvolver técnicas computacionais de ponta para analisar imagens de sensores e biossensores, com foco em aprendizado profundo e nos modelos mais recentes, como os ViTs. Esses modelos serão adaptados a aplicações específicas por meio de transferência de aprendizado, e novos métodos para agregação e extração de características serão desenvolvidos. Essas propostas incorporam nosso objetivo abrangente de lidar com imagens de sensores e biossensores de várias fontes com técnicas de modelagem apropriadas. Os modelos desenvolvidos serão empregados em diversas tarefas de acordo com as demandas dos grupos de pesquisa do projeto temático. Nesse sentido, além das contribuições de novas técnicas de visão computacional e aprendizado profundo, acreditamos que os resultados também ajudarão a atingir um dos objetivos do projeto temático: o diagnóstico assistido por computador utilizando múltiplas fontes de dados. (AU)

Publicações científicas

(4)

(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)

SCABINI, LEONARDO; ZIELINSKI, KALLIL M.; FARES, RICARDO T.; KONUK, EMIR; MIRANDA, GISELE; KOLB, ROSANA M.; RIBAS, LUCAS C.; BRUNO, ODEMIR M.. Deep Texture Feature Aggregation on Leaf Microscopy Images for Brazilian Plant Species Recognition. PROCEEDINGS OF THE 2024 9TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING TECHNOLOGIES, ICMLT 2024, v. N/A, p. 5-pg., 2024-01-01. (23/04583-2, 23/10442-2, 22/03668-1, 24/00530-4, 18/22214-6)

ZIELINSKI, KALLIL M.; SCABINI, LEONARDO; RIBAS, LUCAS C.; DA SILVA, NUBIA R.; BEECKMAN, HANS; VERWAEREN, JAN; BRUNO, ODEMIR M.; DE BAETS, BERNARD. Advanced wood species identification based on multiple anatomical sections and using deep feature transfer and fusion. COMPUTERS AND ELECTRONICS IN AGRICULTURE, v. 231, p. 12-pg., 2025-01-20. (21/09163-6, 23/10442-2, 21/08325-2, 18/22214-6, 22/03668-1, 23/04583-2)

BORZOOEI, SINA; SCABINI, LEONARDO; MIRANDA, GISELE; DANESHGAR, SABA; DEBLIECK, LUKAS; BRUNO, ODEMIR; DE LANGHE, PIET; DE BAETS, BERNARD; NOPENS, INGMAR; TORFS, ELENA. Evaluation of activated sludge settling characteristics from microscopy images with deep convolutional neural networks and transfer learning. JOURNAL OF WATER PROCESS ENGINEERING, v. 64, p. 13-pg., 2024-06-26. (19/07811-0, 21/09163-6, 23/10442-2)

ZIELINSKI, KALLIL M. C.; SCABINI, LEONARDO; RIBAS, LUCAS C.; BRUNO, ODEMIR M.. Exploring neighborhood variancy for rule search optimization in Life-like Network Automata. 2024 14TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION SYSTEMS, ICPRS, v. N/A, p. 7-pg., 2024-01-01. (23/04583-2, 23/10442-2, 21/08325-2, 24/00530-4, 18/22214-6)