Defesa de Doutorado de Rafael de Oliveira Werneck

Título do Trabalho
Learning Graph-based Representations and Matching in Classification Tasks
Candidato(a)
Rafael de Oliveira Werneck
Nível
Doutorado
Data
Add to Calender 2019-05-31 00:00:00 2019-05-31 00:00:00 Defesa de Doutorado de Rafael de Oliveira Werneck Learning Graph-based Representations and Matching in Classification Tasks Sala 85 do IC 2 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
14:30
Local
Sala 85 do IC 2
Orientador(a)
Ricardo da Silva Torres
Banca Examinadora

* Titulares

Unidade/Instituição

Ricardo da Silva Torres

IC/UNICAMP

Luciano Rebouças de Oliveira

UFBA

David Menotti Gomes

UFPR

Alexandre Mello Ferreira

IC/UNICAMP

Fábio Luiz Usberti

IC/UNICAMP

 

* Suplentes

Unidade/Instituição

Nelson Luis Saldanha da Fonseca

IC/UNICAMP

Marcos Vinicius Mussel Cirne

IC/UNICAMP

Rodrigo Minetto

DAINF/UTFPR

Resumo

Muitas situações do mundo real podem ser modelados através de objetos e seus relacionamentos, como, por exemplo, estradas conectando cidades em um mapa. Grafo é um conceito derivado da abstração dessas situações. Grafos são uma poderosa representação estrutural que codifica as relaçôes entre objetos e entre seus componentes em um único formalismo. Essa representação é tão poderosa que é aplicada em uma ampla gama de aplicações, de bioinformática a redes sociais. Dessa maneira, diversos problemas de reconhecimento de padrões são modelados para utilizar representações baseadas em grafos. Em problemas de classificação, os relacionamentos presentes entre objetos ou entre seus componentes são explorados para obter soluções efetivas e/ou eficientes.

Nesta tese, nós investigamos o uso de grafos em problemas de classificação. Nós abordamos duas linhas de pesquisa na tese: proposta de uma representação baseada em grafos de objetos multi-modais e proposta de uma abordagem baseada em aprendizado para permitir a identificação de correspondências entre grafos.

Inicialmente, nós investigamos o uso do método Sacola de Grafos Visuais para representar regiões na classificação de imagens de sensoriamento remoto, considerando a distribuição espacial de pontos de interesse dentro da imagem. Quando é feita a combinação de representações de cores e textura, nós obtivemos resultados efetivos em duas bases de dados da literatura. Em segundo lugar, nós propomos duas novas extensões do método de Sacola de Grafos para a representação de objetos multi-modais. Ao utilizar essas abordagens, nós podemos combinar visões complementárias de diferentes modalidades (por exemplo, descrições visuais e textuais). Nós validamos o uso dessas abordagens no problema de detecção de enchentes.

Nós abordamos o problema de corresponência de grafos ao propor um arcabouço original para aprender a função de custo no método de distância de edição de grafos. Nós também apresentamos algumas implementações utilizando métodos de reconhecimento em cenário aberto and medidas de redes complexas para caracterizar propriedades locais de grafos. Até onde sabemos, nós fomos os primeiros a tratar o processo de aprendizado de custo como um problema de reconhecimento em cenário aberto e os primeiros a explorar medidas de redes complexas em tais problemas. Nós obtivemos resultados efetivos, que são comparáveis a diversos métodos da literatura em problemas de classificação de grafos.