CV Lattes
Universidade Estadual de Campinas (UNICAMP). Instituto de Computação (IC) (Instituição Sede da última proposta de pesquisa) País de origem: Brasil
Atualmente, é Professor Adjunto no Instituto de Ciência e Tecnologia da Universidade Federal de São Paulo (UNIFESP). É pós-doutor pelo Instituto de Computação da Universidade Estadual de Campinas - UNICAMP. Possui doutorado em Ciência da Computação (2018) pelo Instituto de Computação da Universidade Estadual de Campinas - UNICAMP. Também é mestre em Ciência da Computação (2014) e bacharel em Sistemas de Informação (2011) pela Universidade Estadual Paulista "Júlio de Mesquita Filho" - UNESP. Tem experiência na área de Ciência da Computação, com ênfase em Aprendizado de Máquina e Visão Computacional. Atua, principalmente, nos seguintes temas: aprendizado supervisionado, semi-supervisionado e não-supervisionado; transferência de aprendizado e adaptação de domínio; aprendizado em grafos; classificação de padrões multirrotulados; seleção de características; otimização bio-inspirada. (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) |
Nosso objetivo nesta pesquisa é inferir o ordenamento cronológico de um par de dados relacionadas. Dado um par de imagens com o mesmo contexto semântico, pretendemos identificar qual delas pertence a um momento anterior, não importando as condições de captura ou a cena que representem.
Uma suposição comum no cenário convencional de aprendizado de máquina é que o domínio-fonte e o domínio-alvo (conjuntos de treinamento e teste respectivamente) seguem a mesma distribuição de probabilidade. Infelizmente, em muitas aplicações do mundo real, dados capturados por diferentes dispositivos ou sob condições variadas de aquisição podem causar incompatibilidade entre as distribuiçõ…
As técnicas tradicionais de reconhecimento de padrões associam um determinado rótulo a cada amostra do conjunto de dados com base em um conhecimento prévio adquirido em um conjunto de treinamento, o qual pode ser rotulado ou não. No primeiro caso, cada amostra é rotulada com uma classe por um especialista manualmente ou até mesmo de maneira automática. Ocorre que, em diversas situações, u…
| 4 | Bolsas no país concluídas |
| Processos vinculados | |