Deep learning e redes complexas aplicados em visão computacional

• Processo: 16/18809-9
• Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• Data de Início da vigência: 01 de setembro de 2017
• Data de Término da vigência: 31 de agosto de 2019
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: IBM Brasil
• Pesquisador responsável: Odemir Martinez Bruno
• Beneficiário: Odemir Martinez Bruno
• Instituição Sede: Instituto de Física de São Carlos (IFSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Município da Instituição Sede: São Carlos
• Empresa: IBM Brasil - Indústria, Máquinas e Serviços Ltda
• Município da Empresa: Rio de Janeiro
• Pesquisadores associados: Alexandre Souto Martinez ; Joao Batista Florindo
• Assunto(s): Visão computacional Reconhecimento de padrões Redes complexas Big data
• Palavra(s)-Chave do Pesquisador: Deep Learning | Forma | Reconhecimento de Padrões | Redes Complexas | textura | Visão Computacional | Reconhecimento de padrões

Resumo

Redes têm sido usadas com sucesso em muitas áreas do conhecimento, abrangendo praticamente todos os campos da ciência. A principal razão por trás do crescente interesse em redes reside no fato de que elas mostram uma perspectiva diferente das análises de dados tradicionais. Durante séculos, o paradigma de pesquisa científica foi governado por uma abordagem reducionista. Os avanços científicos e tecnológicos aumentaram a quantidade de dados e também incentivaram o desenvolvimento de computadores poderosos, que são capazes de processar e armazenar essa enorme quantidade de dados. Neste cenário, muitas vezes chamado de ''big data'', exige o desenvolvimento de um paradigma integrador da ciência, que é, naturalmente, abordado por redes. Durante as últimas décadas, Reconhecimento de Padrões (RP) tem sido amplamente utilizado em ambas ciências: aplicadas e fundamentais. Notavelmente, a maior parte das aplicações de RP trata de uma grande quantidade de dados, que são difíceis de manipular com a abordagem reducionista. A combinação de RP e redes surge como uma alternativa importante no cenário de big data para encontrar, identificar, analisar, e agrupar padrões que são inviáveis para lidar com outras abordagens. O reconhecimento de padrões em redes visa a caracterização das redes extraindo informações sobre a correlação entre vértices e sua relação com a topologia. Esta informação pode levar à compreensão de padrões de rede que estão intrinsecamente relacionados com o modelo de rede. Devido ao bom desempenho de tarefas de classificação e identificação, deep learning é um campo que atraiu a atenção de pesquisadores de big data e reconhecimento de padrões. Embora métodos de deep learning tem sido aplicados com sucesso em visão computacional e processamento de sinais, a combinação de deep learning e redes é algo muito recente, com muitos poucos trabalhos na literatura. No entanto, é uma pesquisa interessante e promissora. A proposta deste projeto é combinar as redes e deep learning para fins de reconhecimento de padrões em visão computacional. Na última década, o grupo proponente tem desenvolvido métodos para visão de computacional em vários problemas e obteve resultados muito bons com os métodos baseados em redes complexas. Desta forma, escolhemos a visão computacional como um caso de estudo da abordagem proposta: a combinação de deep learning e redes. Na visão computacional, três problemas específicos serão investigados: textura estática, textura dinâmica e análise de contorno de formas. Os resultados obtidos, podem ser usados imediatamente para visão computacional e tem potencial para ser estendido para qualquer aplicação que modela os dados como rede e exigi uma boa abordagem de reconhecimento de padrões. (AU)

Publicações científicas

(25)

(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)

RIBAS, LUCAS CORREIA; GONCALVES, DIOGO NUNES; SILVA, JONATHAN DE ANDRADE; DE CASTRO, JR., AMAURY ANTONIO; BRUNO, ODEMIR MARTINEZ; GONCALVES, WESLEY NUNES. Fractal dimension of bag-of-visual words. PATTERN ANALYSIS AND APPLICATIONS, v. 22, n. 1, p. 89-98, FEB 2019. (16/18809-9, 16/23763-8, 14/08026-1)

MIRANDA, GISELE H. B.; MACHICAO, JEANETH; BRUNO, ODEMIR M.. An optimized shape descriptor based on structural properties of networks. DIGITAL SIGNAL PROCESSING, v. 82, p. 216-229, NOV 2018. (15/05899-7, 16/18809-9, 14/08026-1)

SCABINI, LEONARDO F. S.; RIBAS, LUCAS C.; BRUNO, ODEMIR M.. Spatio-spectral networks for color-texture analysis. INFORMATION SCIENCES, v. 515, p. 64-79, APR 2020. (16/23763-8, 16/18809-9, 14/08026-1)

MACHICAO, JEANETH; NGO, QUYNH QUANG; MOLCHANOV, VLADIMIR; LINSEN, LARS; BRUNO, ODEMIR. A visual analysis method of randomness for classifying and ranking pseudo-random number generators. INFORMATION SCIENCES, v. 558, p. 1-20, MAY 2021. (20/03514-9, 16/18809-9)

DE MESQUITA SA JUNIOR, JARBAS JOACI; RIBAS, LUCAS CORREIA; BRUNO, ODEMIR MARTINEZ. Randomized neural network based signature for dynamic texture classification. EXPERT SYSTEMS WITH APPLICATIONS, v. 135, p. 194-200, NOV 30 2019. (16/18809-9, 16/23763-8, 14/08026-1)

RIBAS, LUCAS C.; SA JUNIOR, JARBAS JOACI DE MESQUITA; SCABINI, LEONARDO F. S.; BRUNO, ODEMIR M.. Fusion of complex networks and randomized neural networks for texture analysis. PATTERN RECOGNITION, v. 103, JUL 2020. (16/23763-8, 16/18809-9, 14/08026-1)

FARFAN, ALEX J. F.; SCABINI, LEONARDO F. S.; BRUNO, ODEMIR M.; VENTO, M; PERCANNELLA, G. A Web-Based System to Assess Texture Analysis Methods and Datasets. COMPUTER ANALYSIS OF IMAGES AND PATTERNS, CAIP 2019, PT II, v. 11679, p. 13-pg., 2019-01-01. (16/18809-9, 14/08026-1)

MACHICAO, JEANETH; BRUNO, ODEMIR M.; BAPTISTA, MURILO S.. Zooming into chaos as a pathway for the creation of a fast, light and reliable cryptosystem. NONLINEAR DYNAMICS, v. 104, n. 1, p. 12-pg., 2021-02-22. (20/03514-9, 16/18809-9)

DE CASTRO, LUCAS D. C.; SCABINI, LEONARDO; RIBAS, LUCAS C.; BRUNO, ODEMIR M.; OLIVEIRA JR, OSVALDO N.. Machine learning and image processing to monitor strain and tensile forces with mechanochromic sensors. EXPERT SYSTEMS WITH APPLICATIONS, v. 212, p. 7-pg., 2023-02-01. (20/02938-0, 16/18809-9, 18/22214-6, 14/08026-1, 21/07289-2, 19/07811-0)

RIBAS, LUCAS C.; BRUNO, ODEMIR M.. Deterministic Partially Self-avoiding Walks on Networks for Natural Shapes Classification. PROGRESS IN PATTERN RECOGNITION, IMAGE ANALYSIS, COMPUTER VISION, AND APPLICATIONS, CIARP 2018, v. 11401, p. 8-pg., 2019-01-01. (16/18809-9, 16/23763-8, 14/08026-1)

MACHICAO, JEANETH; BRUNO, ODEMIR M.; BAPTISTA, MURILO S.. Zooming into chaos as a pathway for the creation of a fast, light and reliable cryptosystem. NONLINEAR DYNAMICS, FEB 2021. (16/18809-9, 20/03514-9)

MESQUITA SA JUNIOR, JARBAS JOACIDE; BACKES, ANDRE RICARDO; BRUNO, ODEMIR MARTINEZ. Randomized neural network based signature for color texture classification. MULTIDIMENSIONAL SYSTEMS AND SIGNAL PROCESSING, v. 30, n. 3, p. 1171-1186, JUL 2019. (16/18809-9, 14/08026-1)

DE MESQUITA SA JUNIOR, JARBAS JOACI; BACKES, ANDRE RICARDO; BRUNO, ODEMIR MARTINEZ. Randomized neural network based descriptors for shape classification. Neurocomputing, v. 312, p. 201-209, OCT 27 2018. (16/18809-9, 14/08026-1)

SCABINI, LEONARDO; RIBAS, LUCAS; RIBEIRO, ERALDO; BRUNO, ODEMIR; RIBEIRO, P; SILVA, F; MENDES, JF; LAUREANO, R. Deep Topological Embedding with Convolutional Neural Networks for Complex Network Classification. NETWORK SCIENCE (NETSCI-X 2022), v. 13197, p. 13-pg., 2022-01-01. (16/18809-9, 21/09163-6, 14/08026-1, 19/07811-0, 16/23763-8)

RIBAS, LUCAS C.; SCABINI, LEONARDO; BRUNO, ODEMIR M.; IEEE. A complex network approach for fish species recognition based on otolith shape. 2022 ELEVENTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS (IPTA), v. N/A, p. 5-pg., 2022-01-01. (21/07289-2, 16/18809-9, 18/22214-6)

SCABINI, LEONARDO F. S.; CONDORI, RAYNER H. M.; RIBAS, LUCAS C.; BRUNO, ODEMIR M.; RICCI, E; BULO, SR; SNOEK, C; LANZ, O; MESSELODI, S; SEBE, N. Evaluating Deep Convolutional Neural Networks as Texture Feature Extractors. IMAGE ANALYSIS AND PROCESSING - ICIAP 2019, PT II, v. 11752, p. 11-pg., 2019-01-01. (14/08026-1, 19/03277-0, 16/18809-9, 16/23763-8)

CONDORI, RAYNER H. M.; BRUNO, ODEMIR M.. Analysis of activation maps through global pooling measurements for texture classification. INFORMATION SCIENCES, v. 555, p. 260-279, MAY 2021. (16/18809-9, 14/08026-1)

RIBAS, LUCAS C.; MACHICAO, JEANETH; BRUNO, ODEMIR M.. Life-Like Network Automata descriptor based on binary patterns for network classification. INFORMATION SCIENCES, v. 515, p. 156-168, APR 2020. (16/23763-8, 16/18809-9, 14/08026-1)

RIBAS, LUCAS C.; BRUNO, ODEMIR M.. Dynamic texture analysis using networks generated by deterministic partially self-avoiding walks. PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS, v. 541, MAR 1 2020. (16/23763-8, 16/18809-9, 14/08026-1)

SCABINI, LEONARDO F. S.; CONDORI, RAYNER M.; MUNHOZ, ISABELLA C. L.; BRUNO, ODEMIR M.; VENTO, M; PERCANNELLA, G. Deep Convolutional Neural Networks for Plant Species Characterization Based on Leaf Midrib. COMPUTER ANALYSIS OF IMAGES AND PATTERNS, CAIP 2019, PT II, v. 11679, p. 13-pg., 2019-01-01. (16/18809-9, 14/08026-1)

RIBAS, LUCAS C.; MANZANERA, ANTOINE; BRUNO, ODEMIR M.; VENTO, M; PERCANNELLA, G. A Fractal-Based Approach to Network Characterization Applied to Texture Analysis. COMPUTER ANALYSIS OF IMAGES AND PATTERNS, CAIP 2019, PT I, v. 11678, p. 12-pg., 2019-01-01. (19/03277-0, 16/18809-9, 16/23763-8, 14/08026-1)

SCABINI, LEONARDO F. S.; CONDORI, RAYNER H. M.; GONCALVES, WESLEY N.; BRUNO, ODEMIR M.. Multilayer complex network descriptors for color-texture characterization. INFORMATION SCIENCES, v. 491, p. 30-47, JUL 2019. (16/18809-9, 14/08026-1)

ZIELINSKI, KALLIL M. C.; RIBAS, LUCAS C.; SCABINI, LEONARDO F. S.; BRUNO, ODEMIR M.; IEEE. Complex Texture Features Learned by Applying Randomized Neural Network on Graphs. 2022 ELEVENTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS (IPTA), v. N/A, p. 6-pg., 2022-01-01. (14/08026-1, 21/07289-2, 16/18809-9, 18/22214-6)

RIBAS, LUCAS C.; DE MESQUITA SA JUNIOR, JARBAS JOACI; MANZANERA, ANTOINE; BRUNO, ODEMIR M.. Learning graph representation with Randomized Neural Network for dynamic texture classification. APPLIED SOFT COMPUTING, v. 114, JAN 2022. (16/23763-8, 18/22214-6, 16/18809-9, 14/08026-1, 19/03277-0)

SCABINI, LEONARDO F. S.; RIBAS, LUCAS C.; NEIVA, MARIANE B.; JUNIOR, ALTAMIR G. B.; FARFAN, ALEX J. F.; BRUNO, ODEMIR M.. Social interaction layers in complex networks for the dynamical epidemic modeling of COVID-19 in Brazil. PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS, v. 564, FEB 15 2021. (16/18809-9, 14/08026-1, 19/07811-0, 16/23763-8)