• Total de projetos de pesquisa (10)
  
  1. 2021-Atual. [Serrapilheira] WildPixels: Dense Labeling of Remote Sensing Images in the Wild
     Descrição: Automatic geographic mapping using Remote Sensing Images (RSIs) as a data source is usually modeled as a supervised classification problem. In this context, dense pixel labeling also called semantic segmentation or pixel-wise classification is a computer vision task that has made great strides in recent years mainly due to the emergence of new approaches based on deep convolutional networks. Remote sensing applications have also benefited from these advances. Several studies have been noted for the high level of quality obtained in the creation of geographic maps in an automated way through the use of semantic segmentation techniques. An important issue, however, is that the advances shown are generally evaluated in relatively well-controlled environments. A number of challenges emerge when these approaches are employed on more specific applications, such as class imbalance, underrepresentation of some classes, and presence of pixels of unknown classes during the prediction phase. In the case of geographic mapping by means of remote sensing images, there are also problems of geographic and temporal domain shift. In addition, sample annotation depends on expert users, imposing restrictions on the volume of annotated data available. In this project, we will address the challenges for the effective use of supervised learning in dense pixel labeling through the study and development of new approaches to increase the robustness of the models to these restrictions. We will focus on critical machine learning problems at the pixel level: (1) class imbalance; (2) underrepresented classes (few-shot learning); and (3) identify classes and objects not seen in the training data (open-set recognition). The effectiveness and suitability of the proposed methods will be evaluated in two main applications: detection of rural roads in the Amazon rainforest and Cerrado savanna; and monitoring of urban housing conditions and their relationship with outbreaks of Dengue disease.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (3) / Doutorado: (3) . Integrantes: Hugo Neves de Oliveira - Integrante / Keiller Nogueira - Integrante / Jefersson A. dos Santos - Coordenador / MARCATO, JOSE - Integrante / Heitor Ramos - Integrante / Fabrício Murai - Integrante / Hugo Oliveira - Integrante / Renato Assunção - Integrante. Financiador(es): Instituto Serrapilheira - Auxílio financeiro.
     Membro: Hugo Neves de Oliveira.
  2. 2020-Atual. [FAPEMIG] CAD-COVID-19: Monitoramento e Auxílio ao Diagnóstico de Pacientes com COVID-19 Usando Radiografias Torácicas e Deep Learning
     Descrição: O mundo está vivendo uma pandemia histórica que em menos de 4 meses já atingiu quase 2 milhões de pessoas. Dada a velocidade de disseminação do novo coronavírus e com a iminência do colapso de sistema de saúde no Brasil e no mundo, é urgente a necessidade de um sistema de auxílio a diagnóstico (Computer-Aided Diagnosis, CAD) que permita aprimorar este que é um dos principais gargalos da pandemia. Casos mais severos da doença impactam diretamente a capacidade pulmonar do paciente. Os sintomas nesses casos podem ser detectados principalmente através de radiografias torácicas e tomografias computadorizadas. Assim, este projeto visa o desenvolvimento de uma abordagem para auxílio a diagnóstico de doenças pulmonares a partir de imagens, com foco em casos relacionados ao surto de COVID-19. Um dos principais objetivos da proposta é oferecer um sistema online para centralização dos dados de raio-x e tomografias de pacientes diagnosticados com o COVID-19 ou casos suspeitos. O sistema deve permitir que pesquisadores e profissionais de saúde façam upload de imagens médicas que serão integradas ao repositório centralizado, e recebam em retorno um relatório com propriedades extraídas das imagens para o auxílio ao diagnóstico de doenças pulmonares.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (3) / Doutorado: (3) . Integrantes: Hugo Neves de Oliveira - Integrante / Jefersson Alex dos Santos - Coordenador / Edemir Ferreira de Andrade Junior - Integrante / Camila Laranjeira da Silva - Integrante / Virgínia Fernandes Mota - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de Minas Gerais - Bolsa.
     Membro: Hugo Neves de Oliveira.
  3. 2020-Atual. [FAPESP/ANR] Spatio-temporal analysis of pediatric magnetic resonance images
     Descrição: The advances in medical imaging require to develop quantitative or semi-quantitative methods to improve accuracy in the image analysis results. Advances in medical image analysis provide such tools, but there is still an important gap regarding pediatric brain imaging, even though there is an increasing medical demand. This project aims at contributing to fill this gap, focusing on brain magnetic resonance imaging (MRI) of infants, newborns and premature babies, which raise specific issues due to the particular grey/white matter contrast related to the physiological myelination process, the very fast but not continuously observed evolution of the brain structures and possible pathologies, and the high intra-and inter-subjects variability. One of these issues is that the data at hand are noisy, ambiguous, scarce in nature and sparse in time. In turn, expert medical knowledge is available, but is prone to change and evolution. From this point of view the project tackles one of the very cutting edge questions in data analysis, that is how to extract and understand meaningful patterns where the data are scarce but expert knowledge, continuously enriched, is available. We propose to develop structural representations of knowledge and image information in the form of graphs and hypergraphs, which will be exploited to guide spatio-temporal image understanding (segmentation, recognition, quantification, comparison over time, description of image content and evolution). The aim is to aid diagnosis, pathology analysis and patients? follow-up. Applications will include the analysis of hyperintensities on the white matter, the volumetry of corpus callosum and its evolution, and neuro-oncology with the study of the influence of tumors on surrounding structures over time. The project involves specialists in medical image analysis, structural knowledge representation and pediatric neuro-imaging.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (1) . Integrantes: Hugo Neves de Oliveira - Integrante / Roberto Marcondes Cesar Junior - Coordenador / Isabelle Bloch - Integrante. Financiador(es): Agence Nationale de la Recherche - Auxílio financeiro / Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
     Membro: Hugo Neves de Oliveira.
  4. 2020-Atual. [FAPESP] Deep learning e representações intermediárias para análise de imagens pediátricas
     Descrição: Nos últimos anos, as pesquisas sobre reconhecimento de estruturas 3D (imagens médicas) e de ações (vídeo) vem se desenvolvendo rapidamente, especialmente para ambientes dinâmicos ou sequências de vídeo. A detecçãoo e reconhecimento de elementos salientes pode cumprir um papel importante em tais sistemas. O conceito de "saliente" pode ser aplicado a diferentes atores ou objetos envolvidos em cenas dinâmicas, no que diz respeito tanto à informação estrutural como temporal. Os elementos salientes representam um dos principais focos do presente projeto. A idéia básica é a de extrair os elementos visuais com base em uma estrutura hierárquica de três camadas: 1 - extração de elementos salientes, 2 - aprendizagem de características marcantes e 3 - detecção de elementos salientes para o reconhecimento de ações, respectivamente. A integração de relações estruturais para detectar, rastrear e reconhecer os elementos salientes será explorada para o reconhecimento de ações, visto que esse tipo de pista pode ser considerado mais estável do que as propriedades de aparência do objeto, especialmente para a melhoria global do desempenho.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (1) . Integrantes: Hugo Neves de Oliveira - Integrante / Roberto Marcondes Cesar Junior - Coordenador / Isabelle Bloch - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Bolsa.
     Membro: Hugo Neves de Oliveira.
  5. 2018-Atual. [FAPEMIG Universal] LittleBigData: Reconhecimento de padrões em grandes bases de imagens utilizando pequenos conjuntos de dados anotados
     Descrição: A área de reconhecimento de padrões em imagens vêm obtendo diversos avanços nos últimos anos. O desenvolvimento de tecnologias como as abordagens baseadas em aprendizado profundo (deep learning) têm estabelecido o estado da arte em diversas aplicações de Visão Computacional. No entanto, essas abordagens necessitam de grandes conjuntos de amostras para treinamento e isso impossibilita seu uso direto para resolver problemas em áreas mais específicas como medicina, forense digital, agricultura ou biodiversidade. A anotação de amostras nas principais aplicações dessas áreas deve ser feita por usuários especialistas (médicos, peritos, pesquisadores, etc). Esse processo geralmente é custoso e até mesmo inviável em diversas ocasiões. Detecção de câncer, por exemplo, depende do diagnóstico e do registro preciso de diversos pacientes ao longo dos anos para a obtenção de um conjunto de amostras representativo. Em aplicações agrícolas e de biodiversidade é comum a necessidade de deslocar equipes de especialistas em áreas de difícil acesso para anotar adequadamente uma determinada espécie de planta. Desse modo, esse projeto propõe o desenvolvimento de novas abordagens para lidar com o reconhecimento de padrões em aplicações que requerem o processamento de grande conjuntos de imagens mas que possuem restrição com relação à quantidade de amostras disponíveis. A pesquisa focará esforços nas seguintes frentes visando mitigar os problemas do aprendizado supervisionado à partir de poucas amostras em grandes bases de imagens: (1) estudo e desenvolvimento de técnicas para transferência de conhecimento de bases préexistentes como forma de enriquecer o conjunto de amostras inicial; (2) estudo de algoritmos e estruturas de indexação de imagens para garantir escalabilidade das abordagens desenvolvidas; e (3) desenvolvimento de abordagens baseadas em aprendizado ativo para auxiliar usuários especialistas na anotação de amostras relevantes.. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Hugo Neves de Oliveira - Integrante / Jefersson Alex dos Santos - Coordenador / Alexei Manso Corrêa Machado - Integrante / Arnaldo de Albuquerque Araujo - Integrante / William Robson Schwartz - Integrante / Silvio Jamil Ferzoli Guimarães - Integrante / Mário Sérgio Ferreira Alvim Jr - Integrante.
     Membro: Hugo Neves de Oliveira.
  6. 2018-Atual. [CNPq Universal - Faixa B] MultiMaps: Aprendizado de Representações Profundas para Mapeamento Geográfico em Larga Escala
     Descrição: A criação de mapas temáticos utilizando Imagens de Sensoriamento Remoto (ISRs) como fonte de dados geralmente é modelada como um problema de classificação supervisionada. Muitos desafios computacionais estão associados à natureza das ISRs em que pode-se ressaltar: (1) são imagens georreferenciadas, ou seja cada pixel possui uma coordenada geográfica associada; (2) geralmente codificam muito mais que informação no espectro visível (R,G,B), o que exige o desenvolvimento de abordagens específicas para descrever padrões; (3) os dados podem variar quanto à resolução espacial alterando o nível de detalhe dos padrões e; (4) muitas aplicações tendem a exigir análise de dados espaço-temporais, com várias imagens do local de estudo ao longo do tempo. Assim, é muito frequente ter imagens obtidas a partir de diferentes sensores, o que pode melhorar a qualidade dos mapas temáticos gerados, mas exige a criação de técnicas capazes de codificar e combinar adequadamente as diferentes propriedades das imagens. Nesse contexto, o desenvolvimento de técnicas baseadas em aprendizado profundo têm sido revolucionário mas tem uma limitação: geralmente requerem muitas amostras para treinamento. A anotação de pixels na maioria das aplicações de ISRs depende de usuários especialistas, é custosa e inviável em algumas situações. Assim, a dificuldade de criação de grandes conjuntos de dados anotados para classificação supervisionada limita o uso da maioria das abordagens do estado da arte em reconhecimento de padrões por meio de aprendizado supervisionado. Desse modo, este projeto visa tratar o problema de reconhecimento de padrões para criação de mapas temáticos via aprendizado supervisionado em grandes conjuntos de imagens a partir de pequenos conjuntos de dados anotados. A pesquisa focará esforços em três frentes principais: (1) novos métodos para aprendizado de características com foco em propriedades de imagens de sensoriamento remoto; (2) algoritmos para transferência de conhecimento para explorar bases de imagens existentes como ponto de partida para reconhecimento de padrões e reduzir a necessidade de novas amostras anotadas por usuários especialistas; e (3) novas abordagens para aprendizado e fusão de representações a partir de múltiplas resoluções no espaço, tempo e espectro eletromagnético.. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Hugo Neves de Oliveira - Integrante / Jefersson Alex dos Santos - Coordenador / William Robson Schwartz - Integrante / Ricardo da Silva Torres - Integrante / Rodrigo Affonso de Albuquerque Nobrega - Integrante / Britaldo Silveira Soares Filho - Integrante / Renato Martins Assunção - Integrante.
     Membro: Hugo Neves de Oliveira.
  7. 2013-2014. Ver Brasil
     Descrição: O projeto Ver Brasil tem por objetivo o desenvolvimento de um Sistema Brasileiro de Cinema Digital (SBCD), compreendendo armazenamento, distribuição e exibição. Este projeto se estrutura em dois eixos principais de ações: democratização do acesso à cultura e desenvolvimento de tecnologia nacional de ponta para cinema digital. Hoje existem mais de cinco mil municípios que não tem sala de cinema. A digitalização de toda cadeia de valor do cinema (produção, distribuição e exibição) cria uma oportunidade de expandir o sistema. A transição do analógico para o digital leva ao barateamento dos equipamentos, quando bem feita e apoiada no uso de tecnologias abertas, padronizadas e de baixo custo. O que aparenta ser uma crise, apontando para o fechamento das já escassas salas de cinema no Brasil, é de fato uma oportunidade para desenvolvimento de tecnologias nacionais estratégicas para democratização do acesso a cultura, produção, distribuição e exibição de conteúdos nacionais para cidadãos brasileiros que habitam pequenas e médias cidades e nunca tiveram a experiência de ?ir ao cinema? nas cidades onde moram.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (2) . Integrantes: Hugo Neves de Oliveira - Integrante / José Ivan Bezerra Vilarouca Filho - Integrante / Erick Augusto Gomes de Melo - Integrante / Guido Lemos de Souza Filho - Coordenador / Manoel Gomes da Silva Neto - Integrante.
     Membro: Hugo Neves de Oliveira.
  8. 2013-2014. Compressão de Sinais Biomédicos
     Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (3) . Integrantes: Hugo Neves de Oliveira - Integrante / Arnaldo Gualberto de Andrade e Silva - Integrante / Leonardo Vidal Batista - Coordenador / Ygor Crispim Diniz - Integrante.
     Membro: Hugo Neves de Oliveira.
  9. 2011-2013. Grupo de Trabalho em VídeoColaboração em Saúde (GT AVCS)
     Descrição: O GTAVCS (Grupo de Trabalho em VídeoColaboração em Saúde) é uma iniciativa conjunta dos laboratórios LAVID (Laboratório de Aplicações de Vídeo Digital), LASID (Laboratório de Sistemas Digitais) e LARQSS (Laboratório de Arquitetura e Sistemas de Software) da UFPB. Este grupo de trabalho foi aprovado no Edital de Grupos de Trabalho 2011-2012 da RNP (Rede Nacional de Ensino e Pesquisa). Durante a primeira fase do GTAVCS (Grupo de Trabalho em VídeoColaboração em Saúde) foi proposta uma infraestrutura de hardware e software com gerência remota para captura e distribuição segura de múltiplos fluxos simultâneos a fim de prover suporte a diversos cenários de vídeo colaboração em saúde. Através de experimentos realizados dentro do HULW/UFPB em conjunto com outras universidades, tais como: Universidade Federal do Tocantins (UFT) demonstrou-se o potencial agregador do protótipo ora desenvolvido na primeira fase do GT AVCS. O serviço proposto à RNP através do projeto GT AVCS ? Fase II tem como foco aprimorar e melhorar o atual o serviço de transmissão de cirurgias ao vivo (desenvolvido na Fase I) e, sobretudo, desenvolver serviços adicionais para o apoio à atividade de ensino e aprendizagem baseadas em colaboração e recuperação de informações.. Situação: Desativado; Natureza: Pesquisa. Alunos envolvidos: Graduação: (4) / Mestrado acadêmico: (2) . Integrantes: Hugo Neves de Oliveira - Integrante / Elenilson Vieira - Integrante / Yuri Gil Dantas - Integrante / Glauco de Sousa e Silva - Integrante / José Ivan Bezerra Vilarouca Filho - Integrante / Tatiana Aires Tavares - Coordenador / Erick Augusto Gomes de Melo - Integrante / Gustavo Henrique Matos Bezerra - Integrante / Sarah Soares Oliveira - Integrante / Wolgrand Cardoso Braga Junior - Integrante.
     Membro: Hugo Neves de Oliveira.
  10. 2011-2012. GP JEDi
      Descrição: O GPJEDi foi criado com o objetivo de explorar novas áreas dentro de Sistemas Multimídia, especialmente jogos e novas formas de interação humano computador. Atualmente o grupo foca três áreas de pesquisa: Desenvolvimento de Jogos para TVDigital (SBTVD), GameClouding e Interação Humano Computador.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (3) / Mestrado acadêmico: (1) . Integrantes: Hugo Neves de Oliveira - Integrante / Glauco de Sousa e Silva - Integrante / Tatiana Aires Tavares - Coordenador / Matheus Cordeiro de Melo - Integrante / Ricardo Mendes Costa Segundo - Integrante.
      Membro: Hugo Neves de Oliveira.
  
  

Prêmios e títulos