Modelos Profundos e Multimodais para Reconhecimento de Padrões: Aprendizado de Representações, Arquiteturas e Parametrização com Aplicações em Visão Computacional

Descrição

Os modelos de aprendizado profundo (Deep Learning - DL) tem impulsionado os avanços da Inteligência Artificial (IA) nos últimos anos. Modelos como as redes neurais convolucionais (Convolutional Neural Networks - CNN), os Transformers e as arquiteturas multimodais se destacam pela capacidade de aprender representações complexas a partir de grandes volumes de dados. Nas tarefas de reconhecimento de padrões, incluindo classificação, segmentação e detecção de objetos o DL tem alcançado resultados relevantes, e, na literatura mais recente, são evidenciadas as tarefas multimodais de visão e linguagem, tais como descrição automática de imagens (image captioning), recuperação cruzada entre modalidades (cross-modal retrieval), resposta visual a perguntas (visual question answering) e geração de conteúdo visual condicionado por texto; todas elas desempenhadas por arquiteturas multimodais, que integram informações provenientes de diferentes fontes, como imagens, vídeos, texto e áudio. Apesar do sucesso alcançado, muitos aspectos relacionados ao aprendizado das representações internas desses modelos permanecem pouco compreendidos, especialmente no que se refere à influência de suas arquiteturas, mecanismos de aprendizado e estratégias de parametrização sobre o desempenho e a capacidade de generalização. Neste contexto, este projeto de pesquisa tem como objetivo investigar os mecanismos do aprendizado de representações em modelos profundos e multimodais para reconhecimento de padrões, analisando como diferentes arquiteturas e configurações dos parâmetros influenciam a construção dos espaços de representação que caracterizam os dados de entrada. Esta proposta envolve estudos teóricos e experimentais, buscando compreender a relação entre arquitetura, parametrização e qualidade das representações produzidas pelos modelos. Para analisar os modelos, pretende-se aplicá-los a tarefas de reconhecimento de padrões, particularmente aquelas relacionadas à visão computacional e sistemas multimodais. O estudo de um modelo depende da aplicação, ou seja, dos dados de entrada, e neste sentido, pretende-se atuar em várias frentes, testando modelos em dados de diferentes naturezas, inseridos em diversos contextos, como saúde, esporte, indústria, educação, agricultura, mobilidade inteligente, segurança e monitoramento ambiental. Reforça-se que a proposta objetiva testar diferentes arquiteturas de modelos profundos e multimodais, com ênfase na análise de como suas estruturas e parametrizações influenciam o aprendizado de representações. Serão investigados mecanismos de atenção, estratégias de integração entre modalidades e métodos de interpretação dos espaços de representação aprendidos, buscando compreender as relações entre arquitetura, parametrização e desempenho em tarefas de reconhecimento de padrões. Espera-se que os resultados contribuam para o avanço do conhecimento sobre os fundamentos do aprendizado de representações em sistemas de Inteligência Artificial, fornecendo subsídios para o desenvolvimento de modelos mais eficientes, interpretáveis e robustos. Ademais, o projeto tem potencial de servir como base para a formação de recursos humanos e para o desenvolvimento de projetos de iniciação científica, trabalhos de conclusão de curso e publicações científicas na área de Inteligência Artificial.