Integração em redes neurais convolucionais de características manualmente extraídas de imagens

• Processo: 24/23406-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de fevereiro de 2025
• Data de Término da vigência: 31 de janeiro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Nina Sumiko Tomita Hirata
• Beneficiário: Guilherme Dias Nunes de Abreu
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 22/15304-4 - Aprendizado de representações ricas em contexto para visão computacional, AP.TEM
• Assunto(s): Aprendizagem profunda Processamento de imagens Redes neurais convolucionais Visão computacional Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Características de imagens | Deep Learning | Processamento de imagens | Redes Neurais convolucionais | Visão Computacional | Aprendizado de Máquina

Resumo

As redes neurais convolucionais (CNN) são amplamente utilizadas na área de visão computacional para diferentes tarefas importantes em análise de imagens. Em cenários com poucos dados de treinamento, alguns trabalhos da literatura mostram que a integração às CNNs de características extraídas das imagens por algoritmos desenhados manualmente pode ajudar na melhoria de desempenho. Neste projeto estamos interessados em entender melhor esse fato. Em particular, visamos investigar se mapas de características, quando adicionados como canais adicionais à imagem de entrada de CNNs, funcionam ou não como um viés indutivo positivo no sentido de facilitar o processo de treinamento ou levar a desempenhos superiores. Serão investigadas diferentes adaptações de arquiteturas de CNNs para processar esses canais adicionais. Também visamos investigar se existe alguma relação clara entre a quantidade de dados de treinamento e eventuais melhoras de desempenho quando as redes são treinadas com canais adicionais. Em termos de domínio de aplicação, os métodos estudados serão avaliados no contexto de tarefas de visão computacional relacionadas à análise de imagens de fundo de olho.