| Texto completo | |
| Autor(es): |
Presotto, Joao Gabriel Camacho
;
dos Santos, Samuel Felipe
;
Valem, Lucas Pascotti
;
Faria, Fabio Augusto
;
Papa, Joao Paulo
;
Almeida, Jurandy
;
Pedronette, Daniel Carlos Guimaraes
Número total de Autores: 7
|
| Tipo de documento: | Artigo Científico |
| Fonte: | JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION; v. 89, p. 12-pg., 2022-10-25. |
| Resumo | |
Significant challenges still remain despite the impressive recent advances in machine learning techniques, particularly in multimedia data understanding. One of the main challenges in real-world scenarios is the nature and relation between training and test datasets. Very often, only small sets of coarse-grained labeled data are available to train models, which are expected to be applied on large datasets and fine-grained tasks. Weakly supervised learning approaches handle such constraints by maximizing useful training information in labeled and unlabeled data. In this research direction, we propose a weakly supervised approach that analyzes the dataset manifold to expand the available labeled set. A hypergraph manifold ranking algorithm is exploited to represent the contextual similarity information encoded in the unlabeled data and identify strong similarity relations, which are taken as a path to label expansion. The expanded labeled set is subsequently exploited for a more comprehensive and accurate training process. The proposed model was evaluated jointly with supervised and semi-supervised classifiers, including Graph Convolutional Networks. The experimental results on image and video datasets demonstrate significant gains and accurate results for different classifiers in diverse scenarios. (AU) | |
| Processo FAPESP: | 18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação |
| Beneficiário: | Daniel Carlos Guimarães Pedronette |
| Modalidade de apoio: | Auxílio à Pesquisa - Jovens Pesquisadores - Fase 2 |
| Processo FAPESP: | 18/23908-1 - Buscando Robustez em Arquiteturas de Aprendizagem Profunda para Aplicações e-Science |
| Beneficiário: | Fabio Augusto Faria |
| Modalidade de apoio: | Bolsas no Exterior - Pesquisa |
| Processo FAPESP: | 17/25908-6 - Aprendizado fracamente supervisionado para análise de vídeos no domínio comprimido em tarefas de recuperação e classificação para alertas visuais |
| Beneficiário: | João Paulo Papa |
| Modalidade de apoio: | Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE |
| Processo FAPESP: | 19/04754-6 - Aprendizado fracamente supervisionado baseado em métricas de Ranqueamentto |
| Beneficiário: | João Gabriel Camacho Presotto |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |
| Processo FAPESP: | 20/11366-0 - Suporte para ambiente computacional e execução de experimentos: aprendizado fracamente supervisionado e fusão de métodos de classificação |
| Beneficiário: | Lucas Pascotti Valem |
| Modalidade de apoio: | Bolsas no Brasil - Programa Capacitação - Treinamento Técnico |