Bolsa 22/07877-4 - Redes neurais convolucionais, Aprendizado computacional - BV FAPESP
Busca avançada
Ano de início
Entree

Incorporando aprendizado contrastivo na segmentação de imagens por árvores dinâmicas

Processo: 22/07877-4
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Data de Início da vigência: 01 de agosto de 2022
Data de Término da vigência: 30 de novembro de 2023
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Alexandre Xavier Falcão
Beneficiário:Ilan Francisco da Silva
Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Vinculado ao auxílio:14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?, AP.TEM
Bolsa(s) vinculada(s):22/16491-2 - O papel do aprendizado contrastivo para a correção assistida pelo usuário da segmentação de células, BE.EP.IC
Assunto(s):Redes neurais convolucionais   Aprendizado computacional   Processamento de imagens   Segmentação (processamento de imagem)   Metodologia e técnicas de computação
Palavra(s)-Chave do Pesquisador:Aprendizado contrastivo | Aprendizado de Máquina | Redes Neurais convolucionais | Segmentação Interativa de Imagem | Transformada Imagem Floresta | Aprendizado de Máquina

Resumo

Árvores Dinâmicas (DT -Dynamic Trees) é um método de segmentação de imagem baseado no crescimento de árvores de caminhos ótimos (regiões) a partir de pixels raízes (sementes). As sementes competem pelos pixels mais fortemente conexos e a força de conectividade entre semente e pixel é definida à medida que as árvores crescem. DT utiliza um algoritmo de Transformada Imagem-Floresta (IFT - Image Foresting Transform) que define cada objeto como uma floresta de caminhos ótimos enraizada em suas sementes internas. O método se difere de outras abordagens de segmentação baseadas na IFT por calcular os pesos do grafo dinamicamente a partir de informações contextuais das árvores em crescimento. O desempenho do DT também tem sido superior ao de algoritmos populares, tais como watershed, graph cut, deep extreme cut e graph Laplacian, em diferentes bases de dados. Em projeto de iniciação científica anterior (FAPESP 2021/05704-2), o algoritmo do DT foi investigado e estendido para a reconstrução da floresta de caminhos ótimos de forma diferencial -- uma propriedade fundamental para prover respostas em tempo interativo às ações do usuário durante a segmentação de imagens com milhões de pixels, à medida que o usuário adiciona e remove sementes para corrigir erros de segmentação. Este projeto dará continuidade ao trabalho anterior, investigando e incorporando técnicas de aprendizado contrastivo ao cômputo da força de conectividade. A incorporação do aprendizado de máquina em uma técnica de processamento de imagem possibilitará sua melhor adaptação a diferentes situações. O projeto irá explorar uma técnica recente de construção de redes neurais convolucionais a partir de marcadores de imagem com o aprendizado contrastivo para adaptar as características convolucionais dos pixels ao objeto em segmentação. O projeto também prevê um período de estágio no exterior em colaboração com pesquisadores do CZ BioHub (um centro de pesquisa em medicina sem fins lucrativos), que estão interessados na versão diferencial do DT para segmentação de células em imagens 4D de microscopia de fluorescência.(AU)

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