Moacir Antonelli Ponti.

Festival de divulgação científica que leva os pesquisadores a compartilharem seus conhecimentos e experiências diretamente com o público em espaços fora das universidades, em particular ambientes descontraídos como restaurantes e bares. Durante o festival, os pesquisadores conversam diretamente com o público e respondem perguntas. Não há formalidades como inscrição ou emissão de certificados. O Pint of Science contribui para evidenciar como as ciências básicas e as aplicadas podem contribuir para aprimorar a qualidade de vida da sociedade e para a construção de uma sociedade melhor.

Participação como coordenador do Projeto Rondon - Operação Guararapes com a equipe da USP/ICMC Conjunto B: Comunicação, Tecnologia e Produção, Meio Ambiente e Trabalho.

Codifique é um projeto desenvolvido no contexto do grupo PET-Computação que visa oferecer um curso semestral de programação básica voltado para alunos do ensino médio que desejam conhecer um pouco mais sobre a computação. Durante o curso também são abordados assuntos referentes à lógica e resolução de problemas, conhecimentos que podem facilmente ser aplicados no dia-a-dia. O objetivo é divulgar a carreira de computação e oferecer conhecimentos na área que possam contribuir com a formação do aluno ou ainda estimulá-los a ingressar na carreira, atraindo possíveis talentos para os cursos das áreas de exatas e tecnologia oferecidos pelo ICMC/USP. Semestralmente, diversos alunos que finalizaram o curso demonstraram maior desejo de se inscrever em cursos da área. Observamos que participantes do Codifique efetivamente se tornaram alunos de graduação em cursos relacionados nos anos de 2014, 2015 e 2016.

http://cursocodifique.weebly.com/

OBS: minha atuação no projeto Codifique se refere aos oferecimentos nos anos de 2013, 2014 e 2015.

Métodos de aprendizado de características alcançaram o estado da arte em diversas aplicações, em particular em dados de um único domínio, mas também com resultados relevantes em bases de dados de domínios cruzados. Como coletar e rotular dados pode ser custo e, em alguns cenários, impossível, é fundamental investigar métodos que possam trabalhar com supervisão limitada ou sem supervisão. Nesse projeto trataremos o problema do aprendizado de caracter[iticas a partir de sinais, imagens e vídeos, sob supervisão limitada. Serão abordados ambos os problemas de encontrar uma imersão para um conjunto de dados, mas também entre domínios, o que significa encontrar estratégias para casar conteúdo de uma dada tarefa ao longo de diferentes dados ou domínios. Pretende-se contribuir investigando novos modelos e arquiteturas alternativas aos métodos correntes, incluindo modelos geradores, auto-encoders e outros, que permitam vencer os atuais desafios.

This project is a UGPN Research Collaboration Fund between ICMC/Universidade de São Paulo and CVSSP/University of Surey, regarding research collaboration for the problem of visual cross-domain matching, which is to find strategies to match images from a given application across different visual domains. This task is important for example when dealing with photographic images acquired over different conditions so that the images are very different at a pixel level; or also when trying to find images belonging conceptually from the same category, but that comes from different domains such as a photography and a hand-drawn sketch. This proposal is concerned in particular with two applications: sketch-based image retrieval and anomaly detection in video surveillance. During this project we will investigate how feature learning methods can be explored in both applications, and how to incorporate those methods into practical scenarios. The project involves visits from researchers, students and post-docs between both research groups in order to organize meetings and strenghten the collaboration.

Métodos de aprendizado de características têm alcançado o estado da arte em diversas áreas. Apesar dos resultados excelentes obtidos em conjuntos de dados benchmark, ainda há pouco entendimento sobre seu funcionamento, e aplicações ainda a serem exploradas, em particular quando se considera arquiteturas que vão além das redes neurais convolucionais padrão. Nesse projeto, propomos o uso de aprendizado de características a partir de aplicações como a análise de imagens de sensoriamento remoto de baixa altitude para agricultura de precisão, e no mapeamento dos domínios rascunho e imagens, com foco na recuperação de imagens baseada em rascunhos. Cada uma dessas tarefas tem seus próprios desafios, mas em comum há o limite de dados rotulados disponível para treinamento. Esses desafios podem ser resolvidos utilizando aprendizado profundo desenvolvendo novas arquiteturas baseadas em auto-encoders, redes siamesas e modelos geradores. Propõe-se avaliar os modelos utilizando não apenas os dados benchmark, mas também avaliar a qualidade das representações por meio de técnicas de visualização e projeção como forma de análise dos espaços de características.

Métodos de aprendizado de características, em especial deep learning (aprendizado profundo), têm alcançado o estado da arte em diversas aplicações. Apesar da performance desses modelos, ainda há pouco entendimento sobre seu funcionamento, em particular considerando cenários mais complexos como domínios visuais diferentes e sob condições limitantes de exemplos de treinamento rotulados. Nesse projeto, propomos o uso de aprendizado de características a partir de aplicações ainda pouco exploradas envolvendo sinais, imagens e vídeos. Serão empregadas diversas técnicas de aprendizado de características, cujas representações serão avaliadas por métricas conhecidas e ainda por técnicas de visualização e projeção para a interpretação e análise dos espaços. Os resultados esperados incluem modelos obtidos com menor quantidade de rótulos disponíveis, e cenários multi-domínio que permitam obter avanços no estado da arte nas aplicações.

A Atenção Básica de Saúde (ABS) pode oferecer atendimento integral ao idoso a partir da identificação das necessidades especificas de idosos não frágeis, pré frágeis e frágeis. Entretanto, ferramentas que facilitem as ações efetivas dessas políticas são escassas no planejamento e monitoramento das condições de fragilidade dos idosos usuários no Sistema Único de Saúde (SUS). Um sistema de monitoramento computacional a ser utilizado pela equipe de saúde para identificar os níveis de fragilidade de idosos pode colaborar na tomada de decisões, na gestão do cuidado dos idosos, e ainda, pode servir como modelo para outras unidades de saúde brasileiras. Este estudo é uma continuação de um estudo anterior intitulado: "Ferramenta para monitoramento de níveis de fragilidade e fatores associados em idosos atendidos pelo núcleo de apoio a saúde da família (NASF) no município de São Carlos". A primeira fase do projeto foi finalizada com sucesso e avaliou 346 idosos cadastrados na ABS de uma região de alta vulnerabilidade do município. Foram avaliados diversos aspectos relacionados à fragilidade e realizados exames clínicos completos, inclusive com a medida de citocinas inflamatórias. Em seguida, a partir dos resultados encontrados, uma ferramenta foi criada a partir de um algoritmo com intuito de direcionar o atendimento dos idosos de acordo com os níveis de fragilidade (não frágeis, pré-frágeis e frágeis). Nesta nova fase, o objetivo é avaliar a usabilidade, efetividade e eficiência desta ferramenta computacional para monitoramento de níveis de fragilidade em idosos. Para isso, através de métodos quantitativos e qualitativos, a ferramenta será aprimorada e em seguida a equipe de saúde da ABS será treinada para o uso da mesma. Serão monitorados acessibilidade e usabilidade por meio de data loggers, uso dos serviços de saúde pelos idosos e um acompanhamento frequente da tomada de decisões desses profissionais a partir do diagnóstico de fragilidade será realizado. Além disso, os idosos serão reavaliados através da ferramenta e de questionários, realizando-se uma validade cruzada para identificação de eficiência da ferramenta. Espera-se que a ferramenta seja efetiva, eficiente e acessível na detecção de níveis de fragilidade em idosos da ABS.

Esse projeto tenta preencher uma lacuna quanto ao desenvolvimento de Tecnologias Assistivas para independência e autonomia no envelhecimento, nomeadamente: validação do uso de um sensor baseado em aceleração para a detecção e a prevenção da queda em idosos e tecnologia em Web 2.0 para dispositivos táteis. Os resultados podem apontar a validade de equipamentos de baixo custo, baixo nível de erro, e boa receptividade possibilitando a geração de produtos que permitam a manutenção da independência do idoso frágil.

Métodos de combinação de classificadores são efetivos, sob determinadas condições, para diversas aplicações em reconhecimento de padrões. A geração de múltiplos classificadores pode ser feita por manipulação dos atributos, das instâncias, de forma paralela ou sequencial. Cada técnica possui características próprias visando a melhoria da tarefa de classificação e adquire propriedades diferentes a depender dos classificadores utilizados para compor o sistema. Enquanto métodos clássicos de aprendizado supervisionado foram estudados nesse contexto, o classificador Optimum-Path Forest (OPF) baseado em florestas de caminhos ótimos foi pouco explorado e estudado. Nesse projeto será feito um estudo dos métodos de criação de múltiplos classificadores por manipulação de instâncias e atributos, geração de diversidade, relação diversidade/erro e tempo de execução utilizando o classificador OPF. Além disso será proposta uma modificação no algoritmo de classificação para permitir saídas em nível de medida, permitindo 
melhor análise do comportamento da classificação.

Este projeto visa desenvolver novas técnicas e paradigmas que contribuam para o avanço da área de visualização de dados científicos e abstratos, com ênfase no tratamento e manipulação de dados de alta dimensão, multimodais e variantes no tempo. Os novos paradigmas a serem desenvolvidos deverão fornecer metáforas visuais criadas a partir de técnicas de projeção multidimensional e árvores filogenéticas, buscando facilitar a compreensão, exploração e mineração visual de, entre outros, dados textuais, coleções de imagens ou músicas e dados de sensoriamento em nanoescala. Além de primitivas geométricas como unidade de representação visual, propomos usar estruturas de árvores e combinações de entidades geométricas com entidades abstratas a fim de criar um arcabouço unificado de manipulação e representação visual de dados de alta dimensão. Este projeto também inova na proposta de trazer métodos de visualização e exploração visual para o contexto de dispositivos portáteis. Os desenvolvimentos aqui propostos permitirão manter os grupos de pesquisa envolvidos na vanguarda da pesquisa na área, em nível mundial, fomentando a criação de propriedade intelectual nacional e a transferência tecnológica.

Métodos de classificação podem falhar ao lidar com dois tipos de problemas comuns em aplicações reais: conjuntos de dados muito grandes, e o desbalanceamento de classes nos dados. Bases de dados com muitos elementos são cada vez mais comuns pela facilidade tecnológica em se adquirir e armazenar dados e pela natureza de certas aplicações como por exemplo em dados de transações financeiras, acesso a redes e bioinformática. Sistemas de múltiplos classificadores tem potencial tanto para paralelizar ou distribuir o processamento, quanto para permitir a subamostragem do conjunto de treinamento, tornando viável o uso de grandes bases de dados. Métodos de múltiplos classificatores também tem potencial para minimizar o desbalanceamento de classes, por meio de métodos de amostragem aliados à técnicas de Boosting. Esse projeto visa estudar os dois problemas citados e oferecer soluções baseadas em sistemas de múltiplos classificadores, com aplicações em diversas áreas.

A Reconstrução Tomográfica revolucionou a Medicina, permitindo a visualização anatômica, metabólica e funcional de estruturas humanas de modo não-invasivo. Nestes últimos 30 anos, têm havido progressos notáveis na reconstrução tomográfica a partir de projeções, tanto no que se refere à qualidade e velocidade, quanto em estudos dinâmicos e tridimensionais [Udupa, 2000]. Contudo, ainda há várias questões em aberto nesta área, principalmente em relação à tomografia por emissão, modalidade esta muito utilizada em Medicina Nuclear. São desafios importantes, tais como: a) assegurar resultados verdadeiramente quantitativos ao SPECT - Single Photon Emission Computed Tomography e ao PET- Positron Emission Tomography (remoção de artefatos causados pela atenuação, espalhamento e ruído); b) algoritmos de reconstrução verdadeiramente 4D para estruturas dinâmicas; c) segmentação e quantificação tridimensional robustas; e d) avaliações objetivas dos métodos tomográficos. A tomografia por emissão (SPECT e PET) é uma modalidade de imagens médicas importantíssima porque permite, através do uso de radiofármacos, a obtenção de informações funcionais e metabólicas. Essas informações, muitas vezes, indicam mudanças em processos biológicos que podem levar a identificação de doenças, antes mesmo que modificações anatômicas possam ser detectadas em imagens radiológicas ou por ressonância magnética nuclear. São encontradas ainda situações em que não existem sintomas manifestos e as imagens por emissão já mostram funções alteradas. O projeto aqui apresentado tem, como objetivo principal, unir esforços e conhecimentos de várias equipes com longa experiência em Tomografia, visando soluções práticas e otimizadas de algoritmos de reconstrução, de restauração de imagens, de quantificação de volumes reconstruídos e de aplicações clínicas.