Investigação de métodos de adaptação de domínio de conjunto aberto para problemas de visão computacional

Resumo

Métodos de Aprendizado Profundo tem obtido avanços revolucionários em muitas áreas de pesquisa devido a sua capacidade de aprendizado através de dados crus. Em particular, as Redes Neurais Convolucionais tem substancialmente aumentado o desenvolvimento de sistemas multimídia inteligentes, como sistemas de processamento de linguagem natural e sistemas de visão computacional. Entretanto, quando esses métodos são aplicados em ambientes não-controláveis, normalmente em problemas do mundo real, diversos fatores podem degradar o desempenho esperado do modelo. Por exemplo, ao lidar com conjuntos de dados não-rotulados. Uma vez que rotular seus exemplos é custoso, uma proposta ingênua refere-se ao treinamento do modelo em conjuntos de dados similares que sejam anotados, contudo, seus exemplos podem apresentar certos graus de mudança de domínio, degradando o desempenho do modelo. Outro problema ao inferir sobre conjuntos de dados não-rotulados acontece quando o modelo se depara com exemplos de teste com classes não vistas durante o treinamento, levando o modelo a realizar predições errôneas. Cada um destes problemas tem sido o objetivo das áreas de pesquisa denominadas por Adaptação de Domínio Não-Supervisionada (UDA) e Classificação de Conjuntos Abertos (OS), respectivamente. Pode-se assumir um cenário ainda mais desafiador através da combinação destes problemas do mundo real, o qual é investigado sobre a área de pesquisa de Adaptação de Domínio de Conjuntos Abertos (OSDA), conjuntamente lidando com as premissas de UDA e OS através do treinamento com dados não-rotulados onde nem todas as classes são conhecidas a priori. Esta proposta de pesquisa busca lidar com esse cenário mais desafiador, com a aprendizagem de dados não rotulados e reconhecido classes desconhecidas em tempo de inferência. Para isso, pretende-se investigar técnicas de Alinhamento de Domínio, para aliviar a mudança de domínio entre os conjuntos de dados, e Aprendizado Contrastivo para melhorar a discriminalidade entre classes conhecidas e desconhecidas. Acredita-se que trabalhar conjuntamente com o "Multimedia and Human Understanding Group (MHUG)" da Universidade de Trento, Itália, devido as suas contribuições em tópicos relacionados, pode auxiliar em definir caminhos eficientes para lidar com problemas de OSDA. (AU)