Bolsa 19/11104-8 - Aprendizado de máquina não supervisionado, Recuperação da informação

Processo:	19/11104-8
Modalidade de apoio:	Bolsas no Brasil - Iniciação Científica
Data de Início da vigência:	01 de setembro de 2019
Data de Término da vigência:	31 de agosto de 2020
Área de conhecimento:	Ciências Exatas e da Terra - Ciência da Computação
Acordo de Cooperação:	Microsoft Research

Pesquisador responsável:	Daniel Carlos Guimarães Pedronette
Beneficiário:	Nikolas Gomes de Sá

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):	Aprendizado de máquina não supervisionado Recuperação da informação Estudo comparativo Aprendizado computacional
Palavra(s)-Chave do Pesquisador:	aprendizado fracamente supervisionado \| correlação de ranqueamento \| Recuperação de Informações e Aprendizado de Máquina
Resumo Medidas de correlação de ranqueamento representam uma maneira eficaz de codificar informações de similaridade contextual. Recentemente, essas medidas foram exploradas com sucesso em várias tarefas de aprendizado não supervisionado. Nesse cenário, este projeto considera a hipótese de que essas medidas também podem ser aplicadas em tarefas de aprendizado fracamente supervisionadas. A ideia principal consiste em expandir pequenos conjuntos de treinamento por meio de relacionamentos com altos valores de medidas de correlação. Desta forma, o objetivo principal é realizar um estudo comparativo de diferentes medidas de correlação de ranqueamento que podem ser aplicadas a métodos de aprendizagem fracamente supervisionados.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itens Menos itens
TITULO

Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itens Menos 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)

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., 2021-01-01. (14/12236-1, 19/11104-8, 18/15597-6, 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., 2024-04-24. (19/11104-8, 20/11366-0, 14/12236-1, 18/15597-6, 19/04754-6, 17/25908-6)

DE SA, NIKOLAS GOMES; VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; FARINELLA, GM; RADEVA, P; BRAZ, J; BOUATOUCH, K. A Multi-level Rank Correlation Measure for Image Retrieval. VISAPP: PROCEEDINGS OF THE 16TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS THEORY AND APPLICATIONS - VOL. 5: VISAPP, v. N/A, p. 9-pg., 2021-01-01. (17/25908-6, 18/15597-6, 19/11104-8)

URL curto