Clodoaldo Aparecido de Moraes Lima.

Diversas modalidades biométricas têm sido propostas para reconhecimento de pessoas, como impressões digitais, íris, face e fala. Estas modalidades biométricas possuem características distintas em termos de desempenho, mensurabilidade e aceitabilidade. Uma questão a ser considerada com a aplicação biométrica em mundo real é sua robustez a ataques por circunvenção, repetição e ofuscação. Esses ataques estão se tornando cada vez mais frequentes e questionamentos estão sendo levantados a respeito dos níveis de segurança que esta tecnologia pode oferecer. Recentemente, sinais biomédicos, como eletrocadiograma (ECG), eletroencefalograma (EEG) e eletromiograma (EMG) têm sido estudados para uso em problemas de reconhecimento biométrico. Um aspecto relevante sobre esse tipo de sinal é o fato de ser uma modalidade única e que não pode ser forjada ou duplicada. Se estabelecidos como uma modalidade biométrica, os respectivos sistemas estão habilitados com um escudo inerente a diversas ameaças. Outra vantagem da biométrica biomédica é a possibilidade de ser utilizada na autenticação contínua, uma vez que se pode realizar uma nova leitura biométrica, em média, a cada dois segundos. Neste projeto, pretende-se investigar novas abordagens destinadas ao reconhecimento biométrico mediante o uso de sinais biomédicos, lançando-se mão de métodos avançados de Aprendizado de Máquina e Processamento de Sinais.

A Cobli tem como objetivo a pesquisa, desenvolvimento e comercialização de dispositivos eletrônicos e técnicas computacionais que permitam conectar e analisar, em tempo real, veículos motorizados e seus condutores, de forma ubíqua, possibilitando o uso inteligente e seguro deste recurso; isto é, maximizando seus benefícios e minimizando seus custos e riscos, tanto na preservação da vida humana quanto do meio ambiente. Os resultados obtidos pela Cobli até o presente momento são palpáveis e encorajadores. Este projeto de pesquisa tem por objetivos o aprimoramento dos algoritmos de identificação e avaliação do condutor por meio de técnicas avançadas de aprendizado de máquina sobre dados obtidos por rastreadores solar conectados à Internet (GPS e aceleração nos três eixos). Os objetivos serão alcançados com otimizações nas técnicas de processamento de dados, em particular nos algoritmos preditivos e seu processamento de forma distribuída, para habilitar a análise de múltiplos motoristas e promover o aumento de sua acurácia, assim como na coleta destes mesmos dados, viabilizando a aplicação comercial para seguradoras e gestores de frota. O dispositivo de rastreamento solar também é um elemento inovador da proposta já que permitirá a fácil instalação mesmo em veículos sem interface padronizada para acesso aos dados do computador de bordo do veículo. A equipe já desenvolveu uma prova de conceito bem sucedida de software de identificação e avaliação, com testes em campo e aprovação de empresas de mercado. Em 2015, desenvolveu um protótipo de dispositivo rastreador solar com GPS e acelerômetro. O conceito do dispositivo foi validado em bancada de forma bem sucedida, porém a empresa deparou-se com desafios tecnológicos para suportar situações inóspitas como altas temperaturas, vibração, rajadas de vento, poeira, particulados no ar e impacto, bem como de otimização do gerenciamento de energia e da lista de componentes para redução do custo da solução para fabricação da solução em escala, que também compõem objetivos desta pesquisa..

Descrição: A Cobli tem como objetivo a pesquisa, desenvolvimento e comercialização de dispositivos eletrônicos e técnicas computacionais que permitam conectar e analisar, em tempo real, veículos motorizados e seus condutores, de forma ubíqua, possibilitando o uso inteligente e seguro deste recurso; isto é, maximizando seus benefícios e minimizando seus custos e riscos, tanto na preservação da vida humana quanto do meio ambiente. Os resultados obtidos pela Cobli até o presente momento são palpáveis e encorajadores. Este projeto de pesquisa tem por objetivos o aprimoramento dos algoritmos de identificação e avaliação do condutor por meio de técnicas avançadas de aprendizado de máquina sobre dados obtidos por rastreadores solar conectados à Internet (GPS e aceleração nos três eixos). Os objetivos serão alcançados com otimizações nas técnicas de processamento de dados, em particular nos algoritmos preditivos e seu processamento de forma distribuída, para habilitar a análise de múltiplos motoristas e promover o aumento de sua acurácia, assim como na coleta destes mesmos dados, viabilizando a aplicação comercial para seguradoras e gestores de frota. O dispositivo de rastreamento solar também é um elemento inovador da proposta já que permitirá a fácil instalação mesmo em veículos sem interface padronizada para acesso aos dados do computador de bordo do veículo. A equipe já desenvolveu uma prova de conceito bem sucedida de software de identificação e avaliação, com testes em campo e aprovação de empresas de mercado. Em 2015, desenvolveu um protótipo de dispositivo rastreador solar com GPS e acelerômetro. O conceito do dispositivo foi validado em bancada de forma bem sucedida, porém a empresa deparou-se com desafios tecnológicos para suportar situações inóspitas como altas temperaturas, vibração, rajadas de vento, poeira, particulados no ar e impacto, bem como de otimização do gerenciamento de energia e da lista de componentes para redução do custo da solução para fabricação da solução em escala, que também compõem objetivos desta pesquisa..

Redes Neurais Convolucionais (RNCs) têm provado ser ferramentas poderosas para uma ampla gama de tarefas de visão computacional. RNCs aprendem automaticamente abstrações de nível médio e alto nível obtidos a partir de dados brutos (por exemplo, imagens). Resultados recentes indicam que os descritores genéricos extraídos de RNCs são extremamente eficazes no reconhecimento e localização de objetos em imagens naturais. Pesquisadores da área de análise de imagens médicas têm alcançado resultados promissores com a aplicação de RNCs e outras metodologias de Aprendizado Profundo para uma ampla variedade de problemas. A principal vantagem de uma RNC reside na sua arquitetura profunda, que permite extrair um conjunto de características discriminantes em vários níveis de abstração. Nos últimos anos, abordagens baseadas em Aprendizado Profundo têm sido aplicada para reconhecimento facial e têm alcançados resultados promissores. Estas abordagens recebem dados brutos como entrada e convoluem com filtros em múltiplos níveis para automaticamente descobrir representações de baixo nível e alto nível a partir de dados rotulados ou não para tarefas de detecção e /ou classificação de padrões. Entretanto, a geração de arquiteturas de Aprendizado Profundo consiste na otimização de milhares de parâmetros, isto é, pesos das várias camadas da arquitetura, o que requer: (i) uma grande quantidade de dados de treinamento rotulados; (ii) grandes recursos computacionais, como unidades de processamento gráfico; (iii) vários ajustes na arquitetura ou nos parâmetros de aprendizagem da rede, a fim de garantir que todas as camadas estejam aprendendo com velocidade compatível. Consequentemente, os métodos de Aprendizado por Transferência são aplicados de forma a reutilizar o conhecimento adquirido anteriormente a partir um problema de reconhecimento visual para o novo domínio da tarefa desejada. Aprendizado por Transferência pode ser aplicado de duas maneiras diferentes no que diz respeito ao tamanho e à semelhança entre conjunto de dados de pré-treinamento e o novo de conjunto de dados. A primeira abordagem consiste em realizar um ajuste fino dos pesos da rede pré-treinada usando o novo conjunto de dados via algoritmo de retropropagação. Este método é apenas sugerido para grandes conjuntos de dados, uma vez que o ajuste fino dos pesos da rede pré-treinada usando poucas amostras de treinamento pode conduzir a sobre ajuste. A segunda abordagem consiste na utilização direta dos pesos de uma arquitetura já treinada no problema desejado para extrair as características e depois classificar. Este esquema é especialmente eficiente quando o novo conjunto de dados é pequeno e/ou há um número pequeno de classes. Dependendo da semelhança entre os dois conjuntos de dados, pode-se decidir se utiliza os pesos das camadas inferiores como extratores de características genéricos de baixo nível ou os pesos da camada superior como extratores da tarefa específica. O objetivo deste projeto é propor uma arquitetura de Aprendizado Profundo, treiná-la para a tarefa de reconhecimento facial e comparar o desempenho quando é utilizado os pesos das camadas inferiores ou superiores de uma arquitetura já treinada.

Em ambientes de mundo real, faces são facilmente ocluídas, o que diminui a performance do reconhecimento biométrico. De um modo geral, faces podem ser ocluídas de forma passiva ou ativa. Por um lado, as faces capturadas podem ser afetadas por fatores ambientais tais como: variação na iluminação, variação de pose, qualidade da imagem ruim e objetos em frente da face. Estes fatores são difíceis de serem controlados completamente em ambientes de mundo real. Por outro lado, faces são usualmente ocluídas pelos próprios indivíduos. Por exemplo, na vida diária, é comum que as pessoas usem acessórios faciais tais como óculos de sol, cachecóis, chapéus, máscaras e véus por razões culturais ou pessoais. Nos cenários envolvendo reconhecimento facial, pode-se pedir aos indivíduos para retirarem estes acessórios quando a cooperação do sujeito é aplicável (por exemplo, controle de fronteira). Mas isto pode gerar alguns incômodos. Nos cenários relacionados à segurança, as pessoas tendem a usar a oclusão para esconder sua identidade e a cooperação do indivíduo não é aplicável a tudo (por exemplo, vigilância). Os sistemas de reconhecimento facial comercial sofrem uma queda drástica na performance quando as imagens de face estão ocluídas. O desenvolvimento de técnicas capazes de realizar o reconhecimento de face ocluída é muito importante, uma vez que isto ocorre em nossa vida diária e em cenários relacionados à segurança. Há dois problemas distintos relacionados com o reconhecimento facial com oclusões: detecção da face ocluída e recuperação da face ocluída. A primeira tarefa consiste em determinar se uma imagem de face está ou não ocluída, e pode ser utilizado para rejeitar automaticamente as imagens ocluídas em aplicações, tais como, imagens para passaporte. Este mecanismo de rejeição nem sempre é adequado para reconhecimento facial em alguns cenários (por exemplo, vigilância), onde nenhuma outra imagem pode ser obtida devido à falta de cooperação do indivíduo. A segunda tarefa consiste em restaurar as regiões ocluídas das imagens faciais. Esta tarefa pode recuperar as áreas obstruídas, mas esta pode não contribuir diretamente para o reconhecimento, já que as informações da identidade do indivíduo podem ser contaminadas durante a recuperação.Uma ideia intuitiva para atacar oclusões no reconhecimento facial é detectar as regiões ocluídas e então realizar o reconhecimento usando somente as partes não ocluídas. No entanto, os tipos de oclusões são imprevisíveis em cenários práticos. A localização, tamanho e forma das oclusões são desconhecidas, aumentando assim a dificuldade de segmentação das regiões ocluídas das imagens de face. Atualmente, a maioria dos detectores de oclusão são treinados em faces com tipos específicos de oclusões e, portanto, generalizam ruim para vários tipos de oclusões em ambientes reais. Este projeto de pesquisa visa investigar novas formas de detecção e recuperação de oclusão facial visando o reconhecimento biométrico. Técnicas avançadas de Processamento de Imagens e Aprendizado de Máquina serão investigadas a fim de detectar e recuperar a imagem ocluída.

Nos últimos anos, o reconhecimento biométrico sofreu avanços significativos em termos de confiabilidade e precisão, sendo que algumas modalidades biométricas alcançaram um bom desempenho em aplicações práticas. No entanto, mesmo os sistemas biométricos mais avançados ainda enfrentam alguns problemas, tais como: (i) Problemas com dados oriundos dos sensores: dados capturados pelos sensores são frequentemente afetados por ruído devido a condições do ambiente (insuficiência de luz, energia, etc) ou devido as condições fisiológicas e físicas do usuário (frio, dedos machucados, etc); (ii) Capacidade de distinguibilidade: nem todas as modalidades biométricas tem o mesmo grau de distinguibilidade (por exemplo, sistemas biométricos baseados na geometria da mão são menos seletivos que aqueles baseados na impressão digital); (iii) Falta de universalidade: todas as modalidades biométricas são universais, mas devido a grande complexidade do corpo humano nem todo mundo apresenta todas as modalidades biométricas que um sistema pode permitir; (iv) Variabilidade intraclasse: significa que as modalidades biométricas podem variar com o tempo para uma mesma pessoa e essa variação é imprevisível de pessoa para pessoa. Por exemplo, á medida que uma pessoa envelhece podem ocorrer mudanças na sua voz.

Sinais biomédicos são observações de atividades fisiológicas dos organismos, variando de sequencias de genes e proteínas, até ritmos cardíacos e imagens de tecidos e órgãos. O processamento de tais sinais tem evoluído de forma extraordinária, aumentando a compreensão dos processos biológicos em uma grande variedade de áreas. Com o advento do avanço tecnológico nas últimas décadas acoplado ao crescimento do
conhecimento científico sobre as causas orgânicas de patologias humanas vêm possibilitando o desenvolvimento de novos equipamentos, de técnicas terapêuticas e de diagnóstico. Neste projeto, pretende-se investigar e comparar novas abordagens destinadas ao pré-processamento (extração e seleção de características), à extração de padrões escondidos e a construção de modelos de classificação e agrupamento de sinais biomédicos mediante a aplicação de técnicas avançadas de Aprendizado de 
Máquina. Mais especificamente, as linhas de investigação propostas envolvem: (i) a proposição e implementação de técnicas não-lineares e não-paramétricas de solução para problemas de processamento de sinais biomédicos, particularmente empregando métodos de kernel, com destaque para as máquinas de vetores-suporte; (ii) a síntese de comitê de máquinas, na forma de ensembles e misturas de especialistas 
compostas por modelos homogêneos e heterogêneos, visando ganhos de desempenho em treinamento supervisionado e não-supervisionado, (iii) a investigação e avaliação do impacto de diferentes abordagens voltadas ao pré-processamento (limpeza, seleção e extração de características) de sinais biomédicos sobre o desempenho dos modelos estudados. Desse modo, este projeto envolverá atividades de pesquisa a serem conduzidas em paralelo tanto nos domínios de Aprendizado de Máquina como no de Processamento de Sinais, enfatizando a sua integração.

O propósito deste projeto é centralizado no desenvolvimento de um dispositivo portátil para aquisição de sinais vitais de seres humanos em tempo real, utilizando os princípios da eletrônica, programação de baixo nível, programação de alto nível e interfaces de comunicação Bluetooth, USB 2.0 (Universal Serial Bus 2.0) e Ethernet IEEE. A arquitetura do dispositivo permite o acesso remoto aos dados coletados, bem como a interligação e a interação remota entre profissionais da área da saúde com o usuário. O intuito desta interação se resume na possibilidade de uma rápida intervenção médica, após a constatação de uma variação fora dos padrões e limites de segurança pré-estabelecidos pelos profissionais da área da saúde. O resultado esperado, ao final da Fase I, é a obtenção de um protótipo 100% funcional e de fácil operação, demonstrando a veracidade do conceito e a importância dos seus benefícios à sociedade como um todo. As principais aplicações se concentram na Tecnologia Assistiva inerente ao projeto de inovação em questão, para criar um conjunto de produtos e serviços que aumentem a autonomia e a qualidade de vida de idosos, pessoas com deficiência ou com mobilidade reduzida. Desta forma sua aplicação na área médica e para os profissionais da área da saúde de forma geral tem grande valor, pois tais profissionais ora atuarão como operadores do dispositivo, ora como receptores dos parâmetros referentes aos sinais vitais, conforme a linhagem do dispositivo e a sua respectiva aplicação. A tecnologia implementada no projeto permite o monitoramento do estado atual de saúde de seres humanos sadios ou acometidos por algumas disfunções ou patologias que merecem uma máxima atenção devido às sequelas que estas podem deixar e também ao alto grau de iminência de óbito, de forma ágil, precisa e extremamente portátil.

Neste projeto, pretende-se investigar novas abordagens destinadas ao tratamento automático de sinais biomédicos mediante a aplicação de métodos avançados de Aprendizado de Máquina. Em especial, dar-se-á ênfase ao estudo de diferentes tipos de máquinas de kernel e sua organização em arranjos homogêneos e heterogêneos de comitês de máquinas, tendo em vista tanto a classificação supervisionada (via SVM, LS-SVM, RVM) como não-supervisionada (via SVC) de sinais biomédicos (EEG, ECG, EMG, etc.). Nesse contexto, também serão investigadas diferentes técnicas de pré-processamento de dados multivariados destinadas à seleção e extração de atributos, avaliando o impacto do emprego dessas técnicas sobre o desempenho dos comitês de máquinas de kernel estudados. Desse modo, este projeto envolverá atividades de pesquisa a serem conduzidas em paralelo tanto nos domínios de Aprendizado de Máquina como no de Processamento de Sinais, enfatizando a sua integração.

Os problemas de processamento de sinais em telecomunicações requerem a proposição de técnicas avançadas para análise de dados, classificação e filtragem. As limitações existentes junto às abordagens lineares motivam a proposição de extensões e generalizações fundamentadas em abordagens não-lineares. Com a introdução de funções de kernel, são mantidas vantagens características dos métodos lineares, acrescidas de contribuições advindas do tratamento não-linear. Este cenário é evidenciado com a solução de problemas desafiadores em telecomunicações a partir do emprego de máquinas de vetores-suporte (SVM). Além da modelagem não-linear, a atual disponibilidade de recursos computacionais vem impulsionando a proposição de soluções que integram diversas funcionalidades, processo conhecido como agrupamento de máquinas. Sendo assim, este projeto de pesquisa visa a síntese e implementação computacional de técnicas avançadas de solução para problemas de processamento de sinais, baseadas em: (1) modelagem não-linear, particularmente modelagem não-paramétrica multidimensional baseada em métodos de kernel; (2) agrupamento de máquinas, particularmente ensembles e mistura de especialistas. As principais linhas de aplicação envolvem equalização supervisionada e não supervisionada, detecção multi-usuário e síntese de arranjos adaptativos de antenas.

O objetivo principal deste projeto é vislumbrar novas possibilidades de aplicação de técnicas estabelecidas de Processamento Digital de Sinais (técnicas de extração e seleção de características) e de Aprendizado de Máquina (Máquinas de Vetores Suporte, Modelos de Mistura, Agrupamento de Máquinas, Redes Neurais), assim como estendê-las e adaptá-las, tomando os problemas de processamento de sinais em Telecomunicações como alvos de investigação. Dentre os problemas abordados neste projeto, pode-se citar: classificação de sinais de eletro-encefalograma e eletro-cardiograma, caracterização de sinais caóticos, equalização de canais, estimação do ângulo de direção de chegada em antenas adaptativas, mineração de dados em séries temporais, predição de series temporais, reconhecimento e síntese de sinais de voz.

O escopo de investigação do presente projeto se encontra na interseção de três áreas de pesquisa correlatas, quais sejam a de Aprendizado de Máquina (AM), Mineração de Dados (MD) e Análise e Previsão de Séries Temporais. Pretende-se investigar e comparar novas abordagens destinadas ao pré-processamento, à extração de padrões escondidos e à construção de modelos de previsão mais robustos com base em dados de séries temporais estocásticas ou caóticas mediante a aplicação de técnicas avançadas de aprendizado de máquina e mineração de dados. Mais especificamente, as linhas de investigação propostas envolvem: (i) o estudo e implementação de novos algoritmos de previsão e análise de dados temporais baseados no conceito de máquinas de kernel; (ii) o projeto automático via métodos de otimização bioinspirada de arquiteturas de comitês de máquinas (ensembles e misturas de especialistas) compostas por modelos homogêneos e heterogêneos (lineares ou não-lineares) de preditores de curto ou longo prazo; (iii) a comparação de diferentes abordagens voltadas à limpeza, seleção e extração de características de dados temporais; e (iv) a concepção e avaliação de técnicas de mineração de dados destinadas às tarefas de classificação, agrupamento, detecção de correlações e detecção de anomalias em séries temporais. Dentre os tipos de séries temporais, pretende-se dar um maior destaque ao estudo de séries financeiras e fisiológicas e sinais de natureza caótica imersos em ruído. Desse modo, este projeto envolverá atividades de pesquisa a serem conduzidas em paralelo tanto nos domínios de AM e MD como no de séries temporais, enfatizando a sua integração.

Veja www.dca.fee.unicamp.br/~vonzuben

A presente proposta de projeto temático tem como objetivo a investigação, o desenvolvimento e a avaliação de técnicas avançadas de processamento de sinais, cujo potencial maior de aplicação situa-se nos sistemas modernos de telecomunicações. Tais técnicas dizem respeito fundamentalmente ao problema de recuperação de um sinal, ou de vários sinais transmitidos, após o efeito de distorções e de interferências características de canais não ideais. As soluções abordadas no projeto envolvem filtragem linear e não linear, processamento adaptativo supervisionado ou não, além de algoritmos evolutivos e estruturas neurais.

veja www.dca.fee.unicamp.br/~vonzuben