Auxílio à pesquisa 16/16111-4 - Visão computacional, Aprendizagem profunda - BV FAPESP
Busca avançada
Ano de início
Entree

Aprendizado de características na recuperação de imagens baseada em rascunhos e no sensoriamento remoto de baixa altitude

Processo: 16/16111-4
Modalidade de apoio:Auxílio à Pesquisa - Regular
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Moacir Antonelli Ponti
Beneficiário:Moacir Antonelli Ponti
Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Pesquisadores associados: John Collomosse
Assunto(s):Visão computacional  Aprendizagem profunda  Sensoriamento remoto  Reconhecimento de padrões  Processamento de imagens 
Palavra(s)-Chave do Pesquisador:Aprendizado profundo | Processamento de imagens | Reconhecimento de Padrões | Recuperação de Imagens Baseada em Rascunhos | Sensoriamento Remoto | Visão Computacional

Resumo

Métodos de aprendizado de características têm alcançado o estado da arte em diversas áreas. Apesar dos resultados excelentes obtidos em conjuntos de dados benchmark, ainda há pouco entendimento sobre seu funcionamento, e aplicações ainda a serem exploradas, em particular quando se considera arquiteturas que vão além das redes neurais convolucionais padrão. Nesse projeto, propomos o uso de aprendizado de características a partir de aplicações como a análise de imagens de sensoriamento remoto de baixa altitude para agricultura de precisão, e no mapeamento dos domínios rascunho e imagens, com foco na recuperação de imagens baseada em rascunhos. Cada uma dessas tarefas tem seus próprios desafios, mas em comum há o limite de dados rotulados disponível para treinamento. Esses desafios podem ser resolvidos utilizando aprendizado profundo desenvolvendo novas arquiteturas baseadas em auto-encoders, redes siamesas e modelos geradores.Propõe-se avaliar os modelos utilizando não apenas os dados benchmark, mas também avaliar a qualidade das representações por meio de técnicas de visualização e projeção como forma de análise dos espaços de características. Os resultados esperados incluem o desenvolvimento de modelos que, treinados com quantidade limitada de rótulos (ou ainda de forma não-supervisionada), sejam capazes de generalizar para dados e categorias não vistas. Além das contribuições na área de processamento de imagens e visão computacional, espera-se avançar o estado da arte nas aplicações. (AU)

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

Publicações científicas (9)
(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)
BUI, TU; RIBEIRO, LEONARDO; PONTI, MOACIR; COLLOMOSSE, JOHN. Sketching out the details: Sketch-based image retrieval using convolutional neural networks with multi-stage regression. COMPUTERS & GRAPHICS-UK, v. 71, p. 77-87, . (16/16111-4, 13/07375-0, 17/10068-2)
PONTI, MOACIR A.; IEEE. Relevance image sampling from collection using importance selection on randomized optimum-path trees. 2017 6TH BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS), v. N/A, p. 6-pg., . (16/16111-4)
BUI, T.; RIBEIRO, L.; PONTI, M.; COLLOMOSSE, J.. Compact descriptors for sketch-based image retrieval using a triplet loss convolutional neural network. COMPUTER VISION AND IMAGE UNDERSTANDING, v. 164, p. 11-pg., . (15/26050-0, 16/16111-4)
BUI, TU; RIBEIRO, LEONARDO; PONTI, MOACIR; COLLOMOSSE, JOHN; JAWAHAR, CV; LI, H; MORI, G; SCHINDLER, K. Deep Manifold Alignment for Mid-Grain Sketch Based Image Retrieval. COMPUTER VISION - ACCV 2018, PT III, v. 11363, p. 16-pg., . (17/10068-2, 16/16111-4, 13/07375-0)
CAVALLARI, GABRIEL B.; RIBEIRO, LEONARDO S. F.; PONTI, MOACIR A.; IEEE. Unsupervised representation learning using convolutional and stacked auto-encoders: a domain and cross-domain feature space analysis. PROCEEDINGS 2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 7-pg., . (17/22366-8, 16/16111-4, 13/07375-0)
BUI, T.; RIBEIRO, L.; PONTI, M.; COLLOMOSSE, J.. Compact descriptors for sketch-based image retrieval using a triplet loss convolutional neural network. COMPUTER VISION AND IMAGE UNDERSTANDING, v. 164, n. SI, p. 27-37, . (15/26050-0, 16/16111-4)
PONTI, MOACIR A.; DA COSTA, GABRIEL B. PARANHOS; SANTOS, FERNANDO P.; SILVEIRA, KAUE U.. Supervised and unsupervised relevance sampling in handcrafted and deep learning features obtained from image collections. APPLIED SOFT COMPUTING, v. 80, p. 414-424, . (16/16111-4, 13/07375-0, 15/05310-3)
NAZARE, TIAGO S.; PARANHOS DA COSTA, GABRIEL B.; DE MELLO, RODRIGO F.; PONTI, MOACIR A.; IEEE. Color quantization in transfer learning and noisy scenarios: an empirical analysis using convolutional networks. PROCEEDINGS 2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 7-pg., . (15/05310-3, 17/16548-6, 13/07375-0, 15/04883-0, 16/16111-4)
DOS SANTOS, FERNANDO PEREIRA; PONTI, MOACIR A.; IEEE. Robust feature spaces from pre-trained deep network layers for skin lesion classification. PROCEEDINGS 2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 8-pg., . (16/16111-4, 13/07375-0)

Por favor, reporte erros na lista de publicações científicas utilizando este formulário.
X

Reporte um problema na página


Detalhes do problema: