José Fernando Rodrigues Júnior.

Projeto de cultura e extensão financiado pelo Banco Santander cujo objetivo é aprimorar as atividades do Coral USP Sao Carlos. O projeto inclui a compra de equipamento e a contratação de serviços.

O objetivo do Repasse é ser uma ferramenta para visualização das transferências do governo federal para a sua cidade e possibilitar a análise do impacto destas receitas. Trata-se de uma ferramenta para auditar o uso do dinheiro público.

O projeto Ajeijadinho 3D é uma iniciativa apoiada pela Universidade de São Paulo (Museu de Ciências e Pró-reitoria de Cultura e Extensão) que envolve a digitalização 3D das obras do escultor Antônio Francisco Lisboa, mais conhecido como Aleijadinho. O projeto fez uso de técnicas avançadas de aquisição e tratamento de malhas 3D para difusão cultural e auxílio à preservação das obras.
As aquisições 3D objeto do projeto foram realizadas ao longo de uma semana, no final do mês de julho de 2013 nas cidades de Ouro Preto, MG e Congonhas, MG. A digitalização foi feita com um equipamento especial fornecido pela empresa Leica Geosystems, o qual permitiu que as obras fossem digitalizadas a distâncias entre 10 e 30 metros, definindo um procedimento não invasivo, e com logística simplificada, sem a necessidade de preparação nem de isolamento dos sítios das obras. Em Ouro Preto, foram digitalizadas as igrejas de Francisco de Assis, Nossa Senhora do Carmo, e Nossa Senhora das Mercês; em Congonhas, foi digitalizado todo o Santuário do Bom Jesus dos Matosinhos e seus 12 profetas. Uma vez digitalizadas, as obras passaram por um longo processo de preparação que exigiu o tratamento minucioso das malhas realizado pelos especialistas da Universidade de São Paulo em parceria com a empresa Imprimate.

http://aleijadinho3d.icmc.usp.br/

Fapesp FAPESP/SNSF

Chamada CNPq/MCTI/FNDCT N 22/2024 - Programa Conhecimento Brasil

Deep Learning (DL) describes a class of algorithms capable of combining raw inputs into successive layers of intermediate features to achieve computational intelligence. These algorithms have shown impressive results across several domains. In Medicine, for example, which is a data-rich discipline, the data are complex and often not yet understood. Deep Learning techniques may be particularly well-suited to solve problems in this field. In that context, the aim of this project is to explore the possibilities of DL in the context of computer-aided medicine; the activities include dealing with the various problems related to the application of DL to the specific context of clinical data. The issues include pre-processing demands to produce large, labeled, and cleaned datasets of clinical data; modeling complex information according to the demands of DL processing; fine-tuning DL architectures with respect to the specific problems of prognostic care; iterative training-testing rounds to achieve highly accurate methods; clinical validation of the results; and dissemination of the methods in the form of real-world applications with actual social impact. These tasks will be carried out over two initial problems: (i) the automatic detection of skin tumors from skin lesion photos; (ii) the prognostic of patients based on the clinical history as given by Electronic Medical Records (EMRs). The first problem will use open-access data from the ISIC Dermoscopic Archive, and from the Edinburgh Dermofit Library to transfer-learn over the ResNet-152 network modeled to the ILSVRC competition. The second problem will use data from the French institution AGIR to guide the modeling and training of a Long Short-Term Memory DL architecture capable of inferring over large contexts of sequential information, as those seen in EMRs. The two methods shall impact on practices of preventive medicine, allowing for early detection of skin tumors and early recommendation of treatments/procedures. This impact is of special importance to the Brazilian scenario, in which basic health care is inaccessible in many regions of the country. The postdoc period will contribute to the expertise of the proponent in a currently active research field, promoting new investigative fronts to his research group.

As redes complexas têm potencial na pesquisa e na experimentação computacional por meio de sua ampla capacidade de representar sistemas modelados por seus vértices e arestas, e pelos atributos de seus elementos.Elas proporcionam a representação de estruturas urbanas pela modelagem de suas malhas viárias.Seus elementos, vértices e arestas, descrevem as cidades por intermédio das vias e de suas intersecções.Deste modo, incorporam predicados referentes ao transporte no espaço urbano.Sua aplicação se destaca quando se vincula a estrutura das cidades as suas falhas de planejamento e/ou aos entraves cotidianos que impactam em sua mobilidade por meio da lentidão, de congestionamentos, e da falta de acesso viário.Isto posto, com a análise de informações provenientes das redes viárias, e por meio de métricas inerentes ao seus elementos, este trabalho visa desenvolver técnicas para guiar ações de planejamento mais efetivas por meio da otimização das estruturas viárias de transporte e da caracterização do espaço urbano, empregando técnicas computacionais focadas na análise estrutural, topológica e geométrica da rede, além da extração de suas característica para análise da similaridade entre cidades distintas.A metodologia do trabalho parte da extração, representação computacional e pré-processamento de mapas digitais, amplamente produzidos na atualidade, seguida do desenvolvimento e/ou aprimoramento de algoritmos.Serão usados métodos de redes complexas, técnicas para detecção de agrupamentos e de suas exceções, procedimentos para análise de similaridade, além de processos matemáticos advindos da teoria de funções submodulares, envolvendo a modelagem e otimização de sistemas urbanos. Por meio deste conjunto de métodos, prevê-se contribuições teóricas e práticas, na forma de técnicas e ferramentas de análise, projeto e otimização urbana.

O termo Deep Learning (DL) descreve uma classe de algoritmos capazes de processar entradas de dados ao longo de camadas sucessivas de neurônios artificiais para obter inteligência computacional. Esses algoritmos mostraram resultados impressionantes em vários domínios. Na Medicina, por exemplo, que é uma disciplina rica em dados, os dados são complexos e muitas vezes ainda não são compreendidos; as técnicas de Deep Learning podem ser particularmente adequadas para resolver problemas neste campo. Mais especificamente, o objetivo deste projeto é explorar as possibilidades de DL no contexto da medicina auxiliada por computador; as atividades incluem lidar com os vários problemas relacionados à aplicação de DL sobre dados clínicos. Os problemas incluem demandas de pré-processamento para produzir conjuntos de dados grandes, rotulados e limpos; modelagem de informações complexas de acordo com as demandas de processamento de DL; ajuste fino de arquiteturas de DL com relação a problemas específicos de tratamento prognóstico; rodadas de testes de treinamento iterativo para obter métodos altamente precisos; validação clínica dos resultados; e disseminação dos métodos na forma de aplicações do mundo real com impacto social real. Neste projeto, essas tarefas serão realizadas em dois problemas: (i) a detecção automática de tumores de pele a partir de fotos de lesões da pele; (ii) o prognóstico de pacientes com base na história clínica, como descrita por Registros Médicos Eletrônicos (RMEs). O primeiro problema usará os dados de acesso aberto do ISIC Dermoscopic Archive, e da Edinburgh Dermofit Library para transferir aprendizado sobre a rede ResNet-152, modelada para a competição ILSVRC. O segundo problema utilizará dados da instituição francesa AGIR para orientar a modelagem e o treinamento de uma arquitetura DL do tipo Long Short-Term Memory, capaz de inferir sobre grandes contextos de informação sequencial, como os vistos em RMEs. Os dois métodos terão impacto nas práticas de medicina preventiva, permitindo a detecção precoce de tumores de pele e a recomendação precoce de tratamentos/procedimentos médicos. Esse impacto é de especial importância para o cenário brasileiro, no qual a atenção básica à saúde é inacessível em muitas regiões do país. O projeto irá contribuir para a expertise do proponente em um campo de pesquisa atualmente ativo, promovendo novas frentes de investigação para seu grupo de pesquisa.

A tecnologia computacional do século XXI, caracterizada pela Web 2.0, propiciou poderosos recursos para geração de conteúdo digital, para o acesso generalizado à informação, e para a crescente conexão entre sistemas, pessoas e, recentemente, qualquer dispositivo eletrônico. Essa tecnologia leva à produção de dados a partir de fontes de diversos aspectos de nossa vida em uma escala inédita, a qual tem recebido diversas denominações como Big Data, escala Web, escala planetária ou dados massivos. Muitos desses dados descrevem relacionamentos que são adequadamente representados como grafos, os quais permitem tarefas analíticas que ajudam na otimização de processos como políticas públicas, decisões comerciais, segurança, medicina, e o suporte à decisão orientada a domínio. Para se analisar tais grafos tem-se usado de técnicas de processamento distribuído que adicionam complexidade e custo extra, o qual, muitas vezes, é proibitivo; tornando-se desejável o processamento de grafos em larga escala em um único nó computacional. Neste trabalho, propõe-se o desenvolvimento de técnicas de processamento em bloco para um único nó computacional, explorando-se as vertentes de pré-processamento, projeto de algoritmos, e visualização. Com estas técnicas pretende-se suprir as necessidades computacionais atuais e futuras, provendo processamento otimizado para problemas ligados à análise de grafos.

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.

Os chamados grafos em escala Web (ou escala planetária) possuem milhões de vértices e bilhões de aresta. Tais grafos têm surgido em diversos contextos contemporâneos contendo informações capazes de explicar comportamentos sociais (Twitter e Facebook), hábitos comerciais (Amazon), estruturas de sistemas (como estradas e redes de computadores), informações não estruturadas (como a Wikipedia), organização de informações (como hipertextos), entre muitas outras. Tais grafos são de valor analítico, pois, além de possuírem ampla informação, há uma tendência a se produzirem cada vez mais destes dados nos próximos anos. Por esta razão, torna-se necessário o desenvolvimento e a maestria sobre técnicas capazes de trabalhar com tais informações. Neste trabalho, propõe-se o uso de técnicas de processamento paralelo assíncrono de grafos combinadas com técnicas de projeção multi-resolução sobre matrizes de adjacência para o processamento não distribuído e para a representação visual de grafos em escala Web. O trabalho se baseará na sistemática GraphChi com o objetivo de desenvolver técnicas analítico-visuais que não necessitem de clusters computacionais, mas sim que tornem a visualização de grandes grafos acessível a sistemas comerciais com um único nó de processamento.

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.

Grafos determinam dados complexos presentes em inúmeros campos de pesquisa, sendo que a extração de informações úteis de uma estrutura de grafo pode prover ganhos significativos para diversas aplicações. No entanto, novas tecnologias de comunicações e monitoramento têm produzido grafos com magnitudes que dificultam sua computação e análise. Dentre os processos usados para se lidar com tais grafos está o particionamento hierárquico; segundo esta metodologia, os vértices de um grafo podem ser agrupados recursivamente, determinando uma hierarquia, de acordo com os relacionamentos definidos por eles próprios. Mesmo assim, as atuais estruturas de dados usadas para esta computação baseiam-se na memória primária dos equipamentos computacionais, limitando as possibilidades de uso a um recurso escasso se comparado aos volumes de dados considerados. Diante disso, o presente trabalho visa à pesquisa e ao desenvolvimento de uma nova metodologia de representação de grafos particionados hierarquicamente. A metodologia deve permitir o processamento de grafos armazenados em disco ao mesmo tempo em que permite responder a questões de conectividade relativas ao grafo original e às partições da representação hierárquica. Como prova de conceito, a inovação proposta será aplicada a um sistema de visualização multi-resolução de grafos denominado GMine. A nova abordagem possibilitará alternativas menos sujeitas à cardinalidade destes conjuntos de dados

O uso de técnicas de análise visual de dados é uma necessidade que emergiu junto com a era da informação. No entanto, tais técnicas possuem limites ditados pelas características de seus esquemas visuais. Uma das linhas de trabalho promissoras para se expadir suas possibilidades é a combinação de tais técnicas com o processamento analítico advindo da disciplina de mineração de dados. Esta combinação já foi observada na literatura, todavia, trabalhos anteriores são de caráter eventual e com restrições de aplicação. Neste trabalho propõe-se a inovação denominada processo convergente de mineração visual de dados, uma proposta inédita que aproveita mutuamente técnicas de análise, visuais e analíticas. Uma inovação que será aplicada a um domínio de interesse social e econômico: dados agrometeorológicos (de satélite e de campo) sobre problemas climatológicos em regiões de cultivo de cana-de-açúcar. O trabalho deve permitir a geração de contribuições teóricas e práticas, validadas e consolidadas sobre o ambiente de pesquisas da Embrapa/Cepagri de Campinas