Mirela Teixeira Cazzolato.

Decisões precisas na gestão da produção de soja são essenciais para aumentar a produtividade e melhorar a qualidade da colheita. No entanto, a estrutura complexa das plantas e a variabilidade ambiental dificultam a obtenção de dados fenotípicos confiáveis. Este projeto, em colaboração entre Brasil e China, utiliza dados multimodais, aprendizado de máquina, reconstrução 3D e modelagem por redes complexas para otimizar a produção de soja. As principais tarefas incluem: (1) reconstrução 3D da planta a partir de imagens multivisuais; (2) aprimoramento da fenotipagem com dados de imagens, nuvens de pontos e informações espectrais; (3) desenvolvimento de um modelo inteligente de gestão com fusão de dados; e (4) criação de modelos adaptativos para previsão de produtividade em diferentes ambientes. A pesquisa busca melhorar a produtividade e a qualidade da soja, oferecendo novas perspectivas para o manejo agrícola.

Descrição: To empower the biomedical research community in Latin America by localizing 3D Slicer to Spanish and Portuguese, improving tutorial localization infrastructure, and holding outreach events. 3D Slicer is an open source software platform for medical imaging data analysis, 3D visualization, and image-guided therapy used in clinical research worldwide. However, the platform is only available in English. Building on our current 3D Slicer internationalization effort, this project will localize 3D Slicer for Spanish- and Portuguese-speaking biomedical researchers, develop new infrastructure and software tools for 3D Slicer tutorial workflows, and organize outreach events in Latin America.

A descoberta de anomalias e padrões é essencial para diversas aplicações e áreas, tais como na detecção de COVID-19 em Raio-X de tórax e na detecção de fraturas em ressonâncias magnéticas para aplicações médicas, bem como em aplicações de crédito financeiro e na detecção de robôs em redes sociais. A abordagem de mineração é dependente de aplicação, e os padrões descobertos devem ser mostrados a especialistas por meio de ferramentas apropriadas, de modo a aumentar a explicabilidade e compreensão, usualmente tirando vantagem de metáforas visuais. Nessa proposta de estágio, objetiva-se explorar dados multimodais provenientes de diversos cenários de aplicação e tipos (como imagens, grafos, registros médicos eletrônicos e transações financeiras) por meio da proposta de métodos modulares, escaláveis e explicativos. O estágio será realizado na Carnegie Mellon University (CMU), EUA. Os objetivos atendem aos interesses tanto do projeto temático da FAPESP "MIVisBD (Mining, Indexing and Visualizing Big Data in Clinical Decision Support Systems)", como da pesquisa realizada na CMU pelo grupo de pesquisa.

The project focuses on developing advanced fraud detection techniques by leveraging graph-based methodologies, the design and analysis of node features, and powerful visualization tools. The analyzed data consist of phone-call databases collected from multiple countries and encompass various patterns of fraudulent behavior. By representing data as large, time-evolving weighted graphs, the project enables a more detailed understanding of relationships and patterns that may indicate fraudulent activity within complex telecommunication networks. It emphasizes node and structural features, such as connectivity, inter-arrival time, coreness, and behavioral attributes, to detect anomalies and uncover hidden fraudulent activities. Furthermore, the integration of sophisticated visualization tools ensures that these insights are not only computationally effective but also interpretable by analysts, facilitating better decision-making and enhancing the overall transparency and reliability of fraud detection systems.

How can we efficiently identify spam or near-duplicate online escort advertisements that may indicate organized human trafficking? How can we effectively summarize findings to help law enforcement prioritize promising leads for further investigation? This project focuses on detecting human trafficking activities in online escort ads through techniques such as graph mining, anomaly detection, and visualization. It is a collaborative effort involving multiple institutions abroad, including Marinus Analytics, Carnegie Mellon University, and McGill University.

Descrição: Este projeto de pesquisa visa propor, explorar e desenvolver novos métodos e algoritmos a serem usados em processos de tomada de decisão para diagnóstico médico e prognóstico de pacientes no contexto da COVID-19. Estes métodos e algoritmos serão instanciados em sistemas e aplicativos que serão disponibilizados à comunidade científica para apoiar de modo rápido e preciso tal processo de tomada de decisão. Os desafios a serem sobrepujados começam na montagem de bases de dados e imagens provenientes de plataformas distintas e muitas vezes incompletas, e à aplicação da técnica de radiômica sobre imagens de Raio-X (RX) e tomografia computadorizada (TC), com a premissa de que características quantitativas e qualitativas massivas sobre imagens de RX podem trazer a informação necessária ao diagnóstico de COVID-19, do mesmo modo que a TC fornece. A vantagem dessa abordagem que será investigada é o custo menor e a maior disponibilidade de RX, permitindo que mais pacientes sejam beneficiados pelos resultados dessa proposta. Além de disponibilizar material curado e consistente para pesquisas e avanços na área de COVID-19. Além disso, bases de dados e imagens consistentes para pesquisa serão disponibilizadas para a comunidade da área..

Projeto Temático envolvendo 3 instituições nacionais e 8 instituições internacionais..

Os Sistemas de Gerenciamento de Bases de Dados (SGBD) baseados na Teoria Relacional foram desenvolvidos para atender às necessidades de armazenagem e recuperação de grandes volumes de dados representados por valores numéricos, datas e pequenas cadeias de caracteres, chamados genericamente ``dados escalares''. Com a evolução da tecnologia da informação, vem se tornando necessário organizar, armazenar e recuperar outros tipos de dados, a que nos referimos como ``dados complexos'', tais como imagens, vídeo, séries temporais, sequências genômicas, etc. As consultas por identidade ou por relação de ordem (RO), úteis para dados escalares, não são adequadas para dados complexos. Para eles, as consultas por similaridade têm sido a opção mais estudada, mas a sua disponibilidade em SGBD é ainda bastante restrita. Este projeto visa abordar a incorporação de recursos para recuperação de dados complexos por similaridade em SGBD Relacionais, desenvolvendo técnicas que cubram de maneira abrangente as principais necessidades dos módulos que constituem um SGBD, incluindo: a) integração da representação de consultas por similaridade em uma extensão da linguagem SQL; b) definição unificada dos operadores algébricos por similaridade segundo a teoria relacional, como operadores interoperáveis com os tradicionais; c) desenvolvimento de técnicas para otimização lógica e física dos planos de execução de consultas, e d:) desenvolvimento de técnicas para indexação e recuperação eficiente combinando operações de busca por similaridade, por identidade e por RO. O conhecimento e a tecnologia gerados poderão ser aplicados a muitas áreas de atividade humana, mas no projeto serão validadas em aplicações de apoio ao diagnóstico em medicina e em estudos de modelos climáticos, dando continuidade às atividades que já vem sendo realizadas pelo GBdI. Assim, além do grande potencial de inovação em tecnologia da informação inerente ao projeto, sua aplicação nessas áreas trará benefícios imediatos a toda a população.

A proposta deste projeto consiste em promover a aproximação dos sistemas de recuperação de imagens por conteúdo (CBIR) à realidade médica e explorar sua capacidade em Sistemas de Auxílio ao Diagnóstico (Computer-Aided Diagnosis) por imagens integrando essas duas novas abordagens: percepção do especialista e perfil do usuário no processo de recuperação e de mineração de imagens médicas. Para isso, serão disponibilizadas aos sistemas CBIR técnicas e ferramentas que permitam incorporar a perspectiva de análise de imagens e dados do ponto de vista do conhecimento do especialista, diminuindo o gap semântico. A inclusão da percepção do especialista e dos perfis dos usuários na construção de ferramentas CBIR irá aproximar essa tecnologia do especialista médico, quebrando a barreira entre a ciência médica e a ciência da computação

The RESCUER project aims at developing an interoperable computer-based solution to support command centres in quickly handling emergencies and managing crisis based on reliable and intelligent analysis of crowdsourcing information mashed up with open data. The special focus is on incidents in industrial areas and at large-scale events.

Financiado por: União Européia - Cooperação / Conselho Nacional de Desenvolvimento Científico e Tecnológico - Cooperação.