CV Lattes
ResearcherID
ORCID
Google Scholar Citations
Universidade de São Paulo (USP). Instituto de Matemática e Estatística (IME) (Instituição Sede da última proposta de pesquisa) País de origem: Brasil
Nina S. T. Hirata é bacharel e doutor em Ciência da Computação pela Universidade de São Paulo (USP). Desde 2001 está junto ao Departamento de Ciência da Computação do Instituto de Matemática e Estatística da USP, onde atualmente é professora associada. Atua em ensino e orientação em nível de graduação e pós-graduação e realiza pesquisas em aprendizado de máquina e reconhecimento de padrões, com aplicações predominantemente voltadas mas não limitadas ao processamento e análise de imagens. Atualmente mantém colaborações com pesquisadores das áreas de Astronomia, Oceanografia, e Biomedicina. Atua também ativamente junto à comunidade científica por meio de participação em comitês técnicos, e emissão de pareceres a agências de fomento à pesquisa, revistas e conferências científicas. Vem também engajando-se ao ensino de conceitos e técnicas de aprendizado de máquina por meio de cursos, palestras e outras formas de difusão. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) no Pesquisa para Inovação FAPESP sobre o(a) pesquisador(a): |
| Técnica para detecção de parasitas baseada em inteligência artificial é mais eficaz que as convencionais |
| Big data pode gerar benefícios políticos, sociais e econômicos |
| Mais itensMenos itens |
| 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) |
Telescópios fotométricos capturam imagens de grandes áreas do céu, contendo milhares de objetos astronômicos. Uma das tarefas importantes e ainda muito desafiadoras no processamento dessas imagens é a classificão dos objetos quanto a sua natureza. Este projeto visa desenvolver abordagens baseadas em aprendizado profundo para o reconhecimento de objetos nessas imagens, em colaboração com p…
Métodos de Visão Computacional são empregados para extração de informações de imagens e vídeos, mas nem sempre os elementos contextuais presentes neles são suficientes para a extração de informações corretas e precisas. Nesses casos, conteúdos de outras fontes e modalidades de dados, como áudio e texto, ou ainda outras informações externas aos dados, como conhecimentos a priori, podem ser…
Pesquisas científicas estão gerando um número crescente de imagens digitais, de micrografias de células a imagens de galáxias. Instrumentações automatizadas podem capturar muitas imagens, que são automaticamente processadas para gerar dados. Para que esses dados possam ser úteis à comunidade científica e beneficiar o público em geral, a geração deve ser rápida (mesmo para milhões de image…
Um objetivo central na área de Visão Computacional é a interpretação de imagens. Em geral, aspectos de aparência são usados para detectar os componentes de interesse e então as relações espaciais e hierárquicas entre eles são usadas para "descrever" o conteúdo de uma imagem no nível semântico de interesse. Os modelos profundos atuais atingiram um estágio de evolução tal que são capazes de…
Na análise de obras de arte, um passo fundamental é a identificação de materiais e pigmentos utilizados. Técnicas como fluorescência em raio X e espectroscopia de Raman permitem a identificação de elementos químicos ou compostos químicos em pontos específicos da obra. Por outro lado, técnicas de imageamento multi-espectral possibilitam a coleta da resposta espectral aproximada sobre um co…
A área de decodificação cerebral surgiu como um caminho promissor para o desenvolvimento de interfaces cérebro-computador (BCIs), voltadas principalmente à interpretação de sinais neurais para tarefas como classificação de movimentos e soletração assistida para pessoas com limitações motoras. O uso de redes neurais convolucionais (CNNs) nesse campo emergiu como alternativa aos métodos bas…
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 proj…
Telescópios ópticos capturam imagens de grandes áreas do céu em múltiplas bandas. A partir desses sinais, busca-se reconhecer o que são cada um dos objetos observados. As abordagens iniciais utilizavam medidas extraídas por métodos tradicionais de processamento de imagens e sinais para realizar a classificação. As abordagens mais modernas utilizam redes neurais e processam diretamente as …
Certas anomalias em imagens de retina são decisivas para a detecção de doenças do olho. Dentre essas doenças, uma que é relativamente comum é a Retinopatia Diabética, decorrente do compromentimento das microvasculaturas devido ao Diabetes Mellitus. A detecção precoce da retinopatia diabética pode evitar um desfecho, significativamente comum, que é a perda da visão. Neste projeto de inicia…
O bolsista será treinado para desenvolver atividades relacionadas à engenharia de Aprendizado de Máquina em situações em que há necessidade de otimização de uso de hardware ou quando há restrições de hardware. As atividades envolvem melhoria da performance do software (APIs) principalmente para hardware restrito, como por exemplo smartphones, ou smart câmeras. O bolsista irá também auxili…
Os métodos de ensemble têm sido utilizados com sucesso para aproveitar a diversidade de diferentes modelos, melhorando o desempenho, porém ao custo de maior tempo de inferência. Na situação em que os modelos compostos são redes neurais que compartilham a mesma arquitetura, os métodos de fusão surgiram como uma alternativa aos ensembles, sem a desvantagem de aumentar o tempo de inferência.…
Avanços recentes em arquiteturas neurais profundas atingiram resultados impressionantes na tarefa de Detecção de Objetos. Entretanto, estas técnicas são conhecidas por precisarem de grandes quantidades de dados rotulados para poder generalizar corretamente, dados que são mais difíceis de obter do que no caso tradicional de classificação de imagens. Para amenizar este problema, a aplicação…
Processamento de imagens é uma parte importante em vários problemas de análise de imagens. Com redes neurais profundas, e particularmente com as redes neurais convolucionais, é possível aprender transformações de imagem-a-imagem a partir de pares de imagens de treinamento entrada-saída. O processamento de cada pixel como uma amostra independente já mostrou resultados significativos, porém…
Publicado em 29 de abril de 2019 - Agência FAPESP. Os dados têm valor e, se bem explorados, podem gerar benefícios políticos, sociais e econômicos. Mas, se por um lado há uma infinidade de dados disponíveis para serem coletados e trabalhados, por outro há uma imensa demanda reprimida no Brasil por profissionais da área de computação. A avaliação foi feita no dia 22 de abril, na Assembleia Legislativa de São Paulo (Alesp), por pesquisadores participantes do segundo evento do Ciclo de Palestras ILP-FAPESP 2019, que teve como tema Big data e Machine learning. O ciclo é uma parceria entre o Instituto do Legislativo Paulista (ILP) e a FAPESP.