Busca avançada
Ano de início
Entree
Conteúdo relacionado

Métodos de redução de dimensionalidade em representações geradas por redes convolucionais triplet

Processo: 17/10068-2
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Data de Início da vigência: 01 de agosto de 2017
Data de Término da vigência: 31 de dezembro de 2017
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Moacir Antonelli Ponti
Beneficiário:Leo Sampaio Ferraz Ribeiro
Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Assunto(s):Processamento de imagens   Recuperação da informação   Redes neurais (computação)
Palavra(s)-Chave do Pesquisador:recuperação de imagens baseada em conteúdo | Redução de dimensionalidade | Representações de imagens | Processamento de imagens

Resumo

As redes siamesas e redes triplet, variações das Redes Neurais Convolucionais (CNNs) tradicionais, são comumente empregadas para realizar o aprendizado de sistemas de recuperação a baseados em conteúdo e mapeamento entre domínios graças a capacidade natural dos métodos de gerar espaços ajustados para realização de busca por exemplos. Existe no entanto uma oportunidade de melhoria na forma como os dados gerados por estas redes são representados; com foco em plataformas com recursos limitados como dispositivos móveis, é de grande interesse que os dados sejam compactos e que eventuais buscas sejam eficientes. Este projeto visa explorar esta lacuna com experimentos e estudos focados na geração de descritores compactos com vistas na recuperação eficiente de imagens. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
BUI, TU; RIBEIRO, LEONARDO; PONTI, MOACIR; COLLOMOSSE, JOHN. Sketching out the details: Sketch-based image retrieval using convolutional neural networks with multi-stage regression. COMPUTERS & GRAPHICS-UK, v. 71, p. 77-87, . (16/16111-4, 13/07375-0, 17/10068-2)
BUI, TU; RIBEIRO, LEONARDO; PONTI, MOACIR; COLLOMOSSE, JOHN; JAWAHAR, CV; LI, H; MORI, G; SCHINDLER, K. Deep Manifold Alignment for Mid-Grain Sketch Based Image Retrieval. COMPUTER VISION - ACCV 2018, PT III, v. 11363, p. 16-pg., . (17/10068-2, 16/16111-4, 13/07375-0)
PONTI, MOACIR A.; RIBEIRO, LEONARDO S. F.; NAZARE, TIAGO S.; BUI, TU; COLLOMOSSE, JOHN; IEEE. Everything you wanted to know about Deep Learning for Computer Vision but were afraid to ask. 2017 30TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES TUTORIALS (SIBGRAPI-T), v. N/A, p. 25-pg., . (13/07375-0, 17/10068-2, 15/04883-0)