Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado (2022)
- Authors:
- Autor USP: CAVALLARI, GABRIEL BISCARO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/D.55.2022.tde-08082022-084706
- Subjects: VISÃO COMPUTACIONAL; APRENDIZADO COMPUTACIONAL; PROCESSAMENTO DE IMAGENS; REDES NEURAIS
- Keywords: Aprendizado de características; Aprendizado não supervisionado; Aprendizado profundo; Aprendizado semisupervisionado; Auto-supervisão; Deep learning; Feature learning; Self-supervision; Semi-supervised learning; Unsupervised learning
- Agências de fomento:
- Language: Português
- Abstract: Sistemas atuais de visão computacional demonstram excelente desempenho em uma variedade de benchmarks, como detecção de objetos, reconhecimento e segmentação semântica de imagens. O treinamento dessas redes segue principalmente o paradigma de aprendizado supervisionado, em que são necessários muitos pares de entrada-saída para o treinamento. No entanto, grandes quantidades de dados rotulados manualmente são custosos e complexos de obter. Portanto, o aprendizado sem a necessidade de dados anotados é de grande importância para aproveitar a grande quantidade de dados visuais não rotulados geralmente disponíveis. Para enfrentar esse desafio, métodos de aprendizado não supervisionado e semi-supervisionado podem auxiliar na utilização de dados não rotulados para reduzir a dependência de grandes conjuntos de dados rotulados. Esta pesquisa tem como objetivo investigar diferentes arquiteturas e estratégias de treinamento que consideram uma situação em que se tem apenas dados não rotulados e dados rotulados limitados. Nossa hipótese é que essa estratégia melhora a generalização e a discriminação do espaço de características aprendido. Por meio de tarefas auxiliares, diferentes bases de dados e experimentos extensivos, concluímos que tanto o aprendizado semi-supervisionado quanto o auto-supervisionado seguido de ajuste fino geram representações discriminativas. Ainda, que essas representações tendem a ser mais robustas à ataques quando comparadas àquelas aprendidas em contextospuramente supervisionados.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2022
- Data da defesa: 24.05.2022
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
CAVALLARI, Gabriel Biscaro. Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado. 2022. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2022. Disponível em: https://teses.usp.br/teses/disponiveis/55/55134/tde-08082022-084706/. Acesso em: 09 abr. 2026. -
APA
Cavallari, G. B. (2022). Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/55/55134/tde-08082022-084706/ -
NLM
Cavallari GB. Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado [Internet]. 2022 ;[citado 2026 abr. 09 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-08082022-084706/ -
Vancouver
Cavallari GB. Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado [Internet]. 2022 ;[citado 2026 abr. 09 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-08082022-084706/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
