Características Espaço-Temporais no Reconhecimento de Culturas Microbianas

• Processo: 24/07102-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2024
• Data de Término da vigência: 30 de junho de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Antonio Rafael Sabino Parmezan
• Beneficiário: João Pedro Ribeiro da Silva
• 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 Extração de características
• Palavra(s)-Chave do Pesquisador: análise de imagens digitais | Aprendizado de Máquina | Aprendizado profundo | Extração de características | Aprendizado de Máquina

Resumo

Muitos dos desafios encontrados na mineração de dados e na descoberta de conhecimento estão relacionados à classificação de dados. Essa tarefa vem sendo explorada em diversas aplicações, como na identificação de micro-organismos baseada na análise de imagens de culturas crescidas em placas de Petri. Estudos nesse tópico têm demonstrado consideráveis desempenhos preditivos, com taxas de erro inferiores a 15% para coleções de imagens contendo mais de cinco espécies de bactérias. Este projeto questiona se esse é realmente o caso, ou se é possível reduzir ainda mais o erro de classificação dos micróbios por meio do emprego de técnicas de predição de vídeos. Dado que as imagens das culturas a serem utilizadas nesta pesquisa foram capturadas ao longo de vários dias em intervalos equidistantes, a proposta é tratá-las como frames de vídeos, visando aprimorar o reconhecimento dos micro-organismos. Diversas arquiteturas foram desenvolvidas com esse propósito, algumas fundamentadas na teoria do aprendizado multirrótulo, enquanto outras se fundamentam em comitês de classificadores, meta-aprendizado e aprendizado profundo. A investigação dessas abordagens, que envolvem a extração de características espaço-temporais, incide no principal objetivo deste projeto. Os modelos de classificação concebidos serão avaliados principalmente em relação à acurácia, precisão, recall e F1-score.