Busca avançada
Ano de início
Entree

Detecção de códigos QR usando modelos de aprendizado profundo

Processo: 18/00390-7
Modalidade de apoio:Bolsas no Brasil - Mestrado
Vigência (Início): 01 de dezembro de 2018
Vigência (Término): 31 de agosto de 2020
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Nina Sumiko Tomita Hirata
Beneficiário:Leonardo Blanger
Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
Vinculado ao auxílio:15/22308-2 - Representações intermediárias em Ciência Computacional para descoberta de conhecimento, AP.TEM
Bolsa(s) vinculada(s):19/17312-1 - Aprendizado adversarial de políticas de aumentação de imagens para detecção de objetos, BE.EP.MS
Assunto(s):Visão computacional   Aprendizado computacional   Reconhecimento de padrões   Código de barras
Palavra(s)-Chave do Pesquisador:Aprendizado de Máquina | Códigos QR | Detecçaõ de objetos em imagens | Modelos de aprendizado profundo | Reconhecimento de Padrões | Redes Neurais Profundas | Visão computacional

Resumo

Códigos QR são códigos bidimensionais com capacidade para codificar não somente dígitos, como é o caso de códigos de barra tradicionais, mas também caracteres alfanuméricos. Dentre os usos mais comuns, destaca-se a codificação de URLs e o acesso rápido ao respectivo conteúdo web referenciado por meio de aplicativos decodificadores. Quando esses códigos são enquadrados e capturados explicitamente, a decodificação ocorre sem maiores dificuldades. No entanto, códigos QR capturados acidentalmente, sem uma intenção explícita, muitas vezes não são sequer detectados. A possibilidade de detectá-los poderia viabilizar, por exemplo, aplicações que utilizam robôs autônomos em ambientes dinâmicos. Neste projeto de pesquisa serão estudados e desenvolvidos métodos baseados em aprendizado profundo (deep learning) para a detecção de presença de códigos QR em imagens adquiridas arbitrariamente. Estratégias que exploram a estrutura comum em códigos QR, como os padrões fixos em seus três cantos, serão propostos. Como contribuições concretas espera-se a produção de um dataset para treinamento e avaliação dos detectores, modelos profundos treinados especificamente para a detecção desses códigos, e a promoção e avanço de conhecimentos dentro do grupo de pesquisa acerca de modelos profundos voltados para a detecção de objetos em imagens. (AU)

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

Publicações científicas
(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)
BLANGER, LEONARDO; HIRATA, NINA S. T.; JIANG, XIAOYI; IEEE COMP SOC. Reducing the need for bounding box annotations in Object Detection using Image Classification data. 2021 34TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2021), v. N/A, p. 8-pg., . (18/00390-7, 15/22308-2, 17/25835-9, 19/17312-1)
BLANGER, LEONARDO; HIRATA, NINA S. T.; IEEE. AN EVALUATION OF DEEP LEARNING TECHNIQUES FOR QR CODE DETECTION. 2019 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP), v. N/A, p. 5-pg., . (17/25835-9, 18/00390-7, 15/22308-2)
Publicações acadêmicas
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
BLANGER, Leonardo. Uma análise de síntese de exemplos para detecção de objetos baseada em deep learning. 2020. Dissertação de Mestrado - Universidade de São Paulo (USP). Instituto de Matemática e Estatística (IME/SBI) São Paulo.

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