Busca avançada
Ano de início
Entree
Conteúdos relacionados

Aprendizado fracamente supervisionado baseado em métricas de Ranqueamentto

Processo: 19/04754-6
Modalidade de apoio:Bolsas no Brasil - Mestrado
Data de Início da vigência: 01 de abril de 2019
Data de Término da vigência: 31 de março de 2021
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Acordo de Cooperação: Microsoft Research
Pesquisador responsável:Daniel Carlos Guimarães Pedronette
Beneficiário:João Gabriel Camacho Presotto
Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
Empresa:Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Instituto de Geociências e Ciências Exatas (IGCE)
Vinculado ao auxílio:17/25908-6 - Aprendizado fracamente supervisionado para análise de vídeos no domínio comprimido em tarefas de recuperação e classificação para alertas visuais, AP.PITE
Assunto(s):Métrica
Palavra(s)-Chave do Pesquisador:Rank-based Measures | weakly supervised learning | Recuperação de Informações e Classificação

Resumo

Métricas contextuais não supervisionadas podem efetivamente codificar informações úteis sobre a estrutura do conjunto de dados. Tais métricas baseadas em informações de ranqueamento podem modelar adequadamente situações que indicam relações de similaridade com um alto grau de confiança. Em tais situações, os objetos envolvidos são incluídos em um conjunto de treinamento expandido, viabilizando abordagens fracamente supervisionadas.

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
(As publicações científicas contidas nesta página são originárias da Web of Science ou da SciELO, cujos autores mencionaram números dos processos FAPESP concedidos a Pesquisadores Responsáveis e Beneficiários, sejam ou não autores das publicações. Sua coleta é automática e realizada diretamente naquelas bases bibliométricas)
CAMACHO PRESOTTO, JOAO GABRIEL; VALEM, LUCAS PASCOTTI; DE SA, NIKOLAS GOMES; GUIMARAES PEDRONETTE, DANIEL CARLOS; PAPA, JOAO PAULO; IEEE COMP SOC. Weakly Supervised Learning through Rank-based Contextual Measures. 2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR), v. N/A, p. 8-pg., . (14/12236-1, 19/11104-8, 18/15597-6, 19/04754-6, 20/11366-0)
PRESOTTO, JOAO GABRIEL CAMACHO; DOS SANTOS, SAMUEL FELIPE; VALEM, LUCAS PASCOTTI; FARIA, FABIO AUGUSTO; PAPA, JOAO PAULO; ALMEIDA, JURANDY; PEDRONETTE, DANIEL CARLOS GUIMARAES. Weakly supervised learning based on hypergraph manifold ranking?. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION, v. 89, p. 12-pg., . (18/15597-6, 18/23908-1, 17/25908-6, 19/04754-6, 20/11366-0)
PRESOTTO, JOAO GABRIEL CAMACHO; VALEM, LUCAS PASCOTTI; DE SA, NIKOLAS GOMES; PEDRONETTE, DANIEL CARLOS GUIMARAES; PAPA, JOAO PAULO. Weakly supervised classification through manifold learning and rank-based contextual measures. Neurocomputing, v. 589, p. 18-pg., . (19/11104-8, 20/11366-0, 14/12236-1, 18/15597-6, 19/04754-6, 17/25908-6)
Publicações acadêmicas
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
PRESOTTO, João Gabriel Camacho. Métodos de aprendizado de máquina fracamente supervisionados baseados em ranqueamento. 2021. Dissertação de Mestrado - Universidade Estadual Paulista (Unesp). Instituto de Geociências e Ciências Exatas. Rio Claro Rio Claro.