Aprendizado auto-supervisionado para biometria e outras aplicações

Resumo

Um problema fundamental em aprendizado de máquina é lidar com dados não rotulados. A maioria dos modelos se baseia em uma massiva quantidade de dados rotulados para alcançar o estado-da-arte. No entanto, o processo de rotulação demanda tempo, é custoso e sujeito a erros de anotação e viéses. É fundamental desenvolver modelos que são capazes de minerar padrões em um cenário totalmente não-supervisionado permitindo uma implantação rápida e livre de viéses. Esse projeto almeja utilizar algoritmos de auto-aprendizado para lidar com dados não rotulados para cenários gerais e desafiadores em que as anotações não estão presentes. Um cenário desafiador pode conter uma alta disparidade intra-classe (as representações da mesma classes ficam longe uma das outras) e alta similaridade inter-classe (representações de classes distintas ficam mais próximas). Para instanciar esses pré-requisitos complexos, nós exploramos o problema de Re-Identificação de Pessoas de longa distância de forma Não-supervisionada e Semi-supervisionada, onde as imagens das pessoas são capturadas de diferentes distâncias e momentos no tempo, resultando em alteração na resolução e na aparência. A solução pode ser estendida para objetos e lugares, e usada em várias aplicações de impacto social, tais como investigação e compreensão de eventos. (AU)