Busca avançada
Ano de início
Entree

Modelos de atenção visual baseados em técnicas de análises de vídeos no domínio comprimido

Processo: 21/02739-0
Linha de fomento:Bolsas no Brasil - Mestrado
Vigência (Início): 01 de abril de 2021
Vigência (Término): 31 de janeiro de 2023
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Convênio/Acordo: Microsoft Research
Pesquisador responsável:João Paulo Papa
Beneficiário:Pedro Lamkowski dos Santos
Instituição-sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , 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   Processamento de sinais de vídeo   Redes neurais (computação)   Atenção visual

Resumo

Modelos de atenção visual têm como principal inspiração o funcionamento do olho humano, isto é, conseguimos adquirir uma visão ampla da cena que estamos olhando, mas temos a tendência em focar em uma região de interesse em particular. Usualmente, tal região é aquela que, por algum motivo, chama a nossa atenção. Quando trabalhamos com imagens comprimidas, isto é, JPG, PNG e GIF, precisamos primeiro decodificá-las antes de usá-las como entrada para as Redes Neurais Convolucionais, do Inglês Convolutional Neural Networks (CNNs), para extração de características. Certamente, esta operação demanda custos computacionais adicionais. Entretanto, o projeto de CNNs capazes de aprender diretamente do domínio comprimido é bastante desejável. Nesta proposta, objetivamos combinar modelos de atenção com redes profundas para trabalhar no domínio comprimido, cujos resultados serão avaliados no contexto de classificação fraca de vídeos. Esperamos, assim, que os modelos propostos sejam mais eficientes do que os trabalhos a serem comparados. (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)