Busca avançada
Ano de início
Entree

Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação

Processo: 18/15597-6
Modalidade de apoio:Auxílio à Pesquisa - Jovens Pesquisadores - Fase 2
Vigência: 01 de maio de 2019 - 31 de julho de 2024
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Daniel Carlos Guimarães Pedronette
Beneficiário:Daniel Carlos Guimarães Pedronette
Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
Pesquisadores associados:Denis Henrique Pinheiro Salvadeo ; Fabricio Aparecido Breve ; João Paulo Papa ; Jurandy Gomes de Almeida Junior ; Ricardo da Silva Torres
Vinculado ao auxílio:13/08645-0 - Reclassificação e agregação de listas para tarefas de recuperação de imagens, AP.JP
Bolsa(s) vinculada(s):22/14448-2 - Investigação de Redução de Ruído em Imagens utilizando Aprendizado Não Supervisionado, BP.IC
22/07349-8 - Seleção e agregação de características baseadas em medidas de ranqueamento, BP.MS
22/01359-1 - Recuperação de séries temporais baseada em aprendizado não supervisionado, BP.MS
+ mais bolsas vinculadas 21/07993-1 - Investigação e avaliação de medidas de correlação de ranqueamento, BP.IC
20/02183-9 - Aprendizado não supervisionado baseado em ranqueamento e aprendizado profundo em domínios diversos, BP.PD
20/03311-0 - Aprendizado não supervisionado para recuperação multimídia multimodal, BP.MS - menos bolsas vinculadas
Assunto(s):Classificação  Recuperação da informação 
Palavra(s)-Chave do Pesquisador:Classification | multimedia retrieval | Semi-supervised Learning | unsupervised learning | Recuperação de Informações e Aprendizado de Máquina

Resumo

Métodos de Aprendizado Não Supervisionado têm se estabelecido como uma solução para aumentar a eficácia de buscas baseadas em conteúdo sem requerer intervenção dos usuários. Tais métodos exploram relações contextuais entre as imagens, geralmente codificadas nas informações de distância e similaridade das coleções.Esse projeto de pesquisa pretende investigar a aplicação de tais métodos em novos e diversificados domínios. Os métodos de aprendizado não supervisionado reavaliam a similaridade entre os elementos da coleção e podem ser tomados como etapa de pré-processamento em tarefas de classificação. Além disso, resultados iniciais indicam que os métodos podem ser aplicados em outros cenário de recuperação multimídia, considerando áudio e vídeo.Dessa forma, o objetivo central do projeto proposto consiste em aprofundar tal investigação, ampliando os domínios de aplicação dos métodos de aprendizado não supervisionado. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas (8)
(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)
CAMPOS, VICTOR DE ABREU; GUIMARAES PEDRONETTE, DANIEL CARLOS. A framework for speaker retrieval and identification through unsupervised learning. COMPUTER SPEECH AND LANGUAGE, v. 58, p. 153-174, . (17/25908-6, 15/07934-4, 18/15597-6)
GUIMARAES PEDRONETTE, DANIEL CARLOS; VALEM, LUCAS PASCOTTI; ALMEIDA, JURANDY; TONES, RICARDO DA S.. Multimedia Retrieval Through Unsupervised Hypergraph-Based Manifold Ranking. IEEE Transactions on Image Processing, v. 28, n. 12, p. 5824-5838, . (14/50715-9, 16/50250-1, 17/25908-6, 17/20945-0, 14/12236-1, 16/06441-7, 18/15597-6, 13/50155-0, 17/02091-4, 15/24494-8)
GUIMARAES PEDRONETTE, DANIEL CARLOS; VALEM, LUCAS PASCOTTI; TORRES, RICARDO DA S.. A BFS-Tree of ranking references for unsupervised manifold learning. PATTERN RECOGNITION, v. 111, . (16/50250-1, 15/24494-8, 13/50155-0, 18/15597-6, 13/50169-1, 17/20945-0, 14/12236-1, 17/25908-6, 14/50715-9)
GUIMARAES PEDRONETTE, DANIEL CARLOS; PASCOTTI VALEM, LUCAS; LATECKI, LONGIN JAN. Efficient Rank-Based Diffusion Process with Assured Convergence. JOURNAL OF IMAGING, v. 7, n. 3, . (20/11366-0, 18/15597-6, 17/25908-6)
GUIMARAES PEDRONETTE, DANIEL CARLOS; LATECKI, LONGIN JAN. Rank-based self-training for graph convolutional networks. INFORMATION PROCESSING & MANAGEMENT, v. 58, n. 2, . (17/25908-6, 18/15597-6)
VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS. Unsupervised selective rank fusion for image retrieval tasks. Neurocomputing, v. 377, p. 182-199, . (17/25908-6, 17/02091-4, 18/15597-6)
VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS. Graph -based selective rank fusion for unsupervised image retrieval. PATTERN RECOGNITION LETTERS, v. 135, p. 82-89, . (17/25908-6, 13/08645-0, 17/02091-4, 18/15597-6)
ROZIN, BIONDA; PEREIRA-FERRERO, VANESSA HELENA; LOPES, LEONARDO TADEU; PEDRONETTE, DANIEL CARLOS GUIMARAES. A rank-based framework through manifold learning for improved clustering tasks. INFORMATION SCIENCES, v. 580, p. 202-220, . (17/25908-6, 20/02183-9, 20/08854-2, 18/15597-6)

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.