Busca avançada
Ano de início
Entree

Suporte para ambiente computacional e execução de experimentos: aprendizado fracamente supervisionado e fusão de métodos de classificação

Processo: 20/11366-0
Linha de fomento:Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
Vigência (Início): 01 de novembro de 2020
Vigência (Término): 30 de junho de 2021
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Convênio/Acordo: Microsoft Research
Pesquisador responsável:Daniel Carlos Guimarães Pedronette
Beneficiário:Lucas Pascotti Valem
Instituição-sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
Empresa:Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Instituto de Geociências e Ciências Exatas (IGCE)
Vinculado ao auxílio:17/25908-6 - Aprendizado fracamente supervisionado para análise de vídeos no domínio comprimido em tarefas de recuperação e classificação para alertas visuais, AP.PITE
Assunto(s):Aprendizado computacional   Aprendizagem profunda   Multimídia

Resumo

Em geral, técnicas de aprendizado de máquina baseiam-se em grandes conjuntos de dados rotulados para construir modelos preditivos, em especial técnicas baseadas em aprendizado profundo, que têm sido amplamente utilizadas com sucesso em vários domínios. Em contrapartida, é comum a insuficiência de conjuntos de dados rotulados para treinamento de modelos supervisionados efetivos. Neste cenário, destaca-se como promissor o uso de abordagens fracamente supervisionadas, capazes de realizar tarefas de aprendizado com base em conjuntos rotulados incompletos ou inexatos. No projeto de pesquisa associado, investigamos a análise, recuperação e classificação de objetos multimídia utilizando pequenos conjuntos de treinamento. O objetivo principal do projeto consiste em investigar e propor métodos capazes de analisar sequências de vídeo comprimido e gerar alertas de acordo com as aplicações consideradas. Tais abordagens podem ser úteis e relevantes em vários domínios, desde ambientes de vigilância, aplicações médicas e industriais, incluindo também casas inteligentes. A realização da pesquisa requer a execução de códigos e a instalação de arcabouços de software recentes. Além disso, é crucial a necessidade de execução e monitoramento de experimentos, frequentemente de longa duração. A bolsa de treinamento em questão tem como principal objetivo prover suporte a estas tarefas. (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)
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 MAR 2021. Citações Web of Science: 0.

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