Possui graduação em Ciência da Computação (Universidade Estadual Paulista Júlio de Mesquita Filho - UNESP, 2005), Mestrado e Doutorado em Ciência da Computação (Universidade Estadual de Campinas - UNICAMP, 2008 e 2012). Em 2019, obteve o grau de Livre Docente em Processamento de Imagens de Digitais. Atualmente é Professor Associado (MS-5.3) do Departamento de Estatística, Matemática Aplicada e Computação (DEMAC), na Universidade Estadual Paulista Júlio de Mesquita Filho (UNESP). É Vice-Coordenador do Programa de Pós-Graduação em Ciência da Computação da UNESP. Também é Editor Associado do periódico Pattern Recognition (Elsevier) e foi Pesquisador Colaborador do Instituto de Computação da UNICAMP. Tem participado de vários projetos de pesquisa nacionais e internacionais. Foi professor visitante na Bangor University/UK em projeto financiado pela Royal Academy of Engineering/UK e na Temple University/USA em programa financiado pela Fulbright Commission. Tem atuado na coordenação de Projetos de Pesquisa FAPESP: Jovem Pesquisador, Microsoft PITE e Jovem Pesquisador 2 e CNPq (Universal). Coordena e participa de projetos de pesquisa na àrea de Petróleo, como Pesquisador do Laboratório de Inteligência Artificial e Vice-Líder do Centro de Ciências Naturais Aplicadas (UNESPetro). Tem experiência em diversas áreas da Ciência da Computação: recuperação de informação, processamento e análise de imagens, aprendizado de máquina e computação de alto desempenho. Realiza pesquisa em várias dessas áreas, em especial em temas relacionados à recuperação de imagens por conteúdo. A pesquisa desenvolvida resultou na publicação de mais de 120 artigos científicos e tem sido reconhecida por meio de prêmios e indicações, em eventos nacionais e internacionais. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
O Processamento de Linguagem Natural (PLN) refere-se a um ramo da inteligência artificial (IA) cujo objetivo consiste em dar aos computadores a capacidade de interpretar e raciocinar sobre as linguagens humanas. Intrinsecamente multidisciplinar, envolve a integração de diversas áreas de pesquisa, como linguística, lógica, informática e inteligência artificial. Em um mundo guiado principal…
Métodos de Aprendizado Não Supervisionado têm se estabelecido como uma solução para aumentar a eficácia de buscas baseadas em conteúdo sem requerer intervenção dos usuários. Tais métodos exploram relações contextuais entre as imagens, geralmente codificadas nas informações de distância e similaridade das coleções.Esse projeto de pesquisa pretende investigar a aplicação de tais métodos em …
Várias técnicas de aprendizagem de máquina baseiam-se em grandes conjuntos de dados rotulados para construir modelos preditivos em tarefas de aprendizado supervisionado. O uso de técnicas de aprendizado profundo pode ser destacado, já que tem sido amplamente utilizado com sucesso em vários domínios. Por outro lado, em muitas circunstâncias, os conjuntos rotulados não estão disponíveis ou …
Para o primeiro dia do VII Workshop do Programa de Pós-Graduação em Ciência da Computação da Unesp (WPPGCC), está prevista uma cerimônia de abertura, palestras e uma mesa redonda. A cerimônia de abertura deve contar com a presença dos diretores das quatro Unidades que compõem o PPGCC, o coordenador do PPGCC e o presidente da Comissão Organizadora do evento. Em seguida, estão previstas qua…
As mudanças climáticas estão tornando os desastres naturais mais frequentes. Inundações, furacões e terremotos estão se tornando mais intensos e frequentes em vários países. Nesse cenário, é essencial ter equipes de resgate prontas para salvar possíveis vítimas de acidentes, desabamentos de edifícios e deslizamentos de terra. Para essas equipes, é vital estar preparado para o que pode ser…
Apesar do progresso significativo alcançado em técnicas de aprendizado supervisionado, a necessidade de extensos conjuntos de dados rotulados representa um gargalo severo. Nesse cenário, outros paradigmas de aprendizado capazes de lidar com o desafio associado à escassez de dados rotulados representam uma alternativa relevante. As abordagens de Aprendizado Auto-supervisionado (SSL, na sig…
Em um cenário não supervisionado, em que nenhum dado rotulado está disponível, parte do problema de melhorar os resultados da recuperação consiste em identificar listas de resultados efetivas e não efetivas. Portanto, estimar a eficácia dos resultados recuperados sem a necessidade de intervenção do usuário é de extrema importância. A qualidade dos resultados recuperados para uma determina…
O ruído consiste em uma degradação inerente ao processo de aquisição, nos mais diversos tipos de imagem. Em imagens médicas, por exemplo, isso pode prejudicar ou dificultar a análise da imagem pelo radiologista. Além disso, no caso de sistemas de imagem que empregam radiação ionizante, como Tomografia Computadorizada, Mamografia ou Tomossíntese Mamária, onde a busca pela redução da dose d…
Com a ampla aplicabilidade das séries temporais em diversos domínios, como medicina, agricultura, economia e ciência, a necessidade de analisar e processar esses dados tem aumentado significativamente. A recuperação de informações aplicada às séries temporais desempenha um papel crucial na identificação de padrões e na classificação de dados com base em similaridade, tornando-se um aspect…
CV Lattes
ORCID