William Robson Schwartz


CNPq research fellow: 1D

Research areas: Degrees:

Ph.D, University of Maryland, EUA, 2010

Room: 7329
Phone: 5847
william@dcc.ufmg.br

Home page    Lattes    Google scholar 


Information extracted from Lattes platform

Last update: 2023/08/10

ORCID: https://orcid.org/0000-0003-1449-8834


Current projects

2022 a AtualAprendizado de máquina aplicado ao Processamento Geológico
Técnicas de Computação Científica vêm sendo aplicadas cada vez mais na área de Geociências em todas as grandes empresas de petróleo de nível mundial. Os recentes avanços em Intelligence Data Analysis, particularmente em aprendizado de máquina (Machine Learning), têm apresentado resultados promissores em diversos problemas inerentes à interpretação exploratória envolvendo múltiplos atributos. Como exemplos podem ser destacados a identificação e classificação automática de estruturas geológicas e a predição de propriedades petrofísicas, com foco na redução do tempo e de incertezas no processo de tomada de decisão. O objetivo principal do projeto é pesquisar e desenvolver novos métodos de aprendizado de máquina visando a melhoria dos modelos geológicos, integrando dados primários (poços) e secundários (sísmica). Os resultados obtidos serão incorporados ao Sistema Integrado de Geologia e Geofísica da Petrobras, SIGEO, resultando em importantes benefícios tecnológicos e científicos para a indústria nacional de petróleo e gás natural.
Integrantes: William Robson Schwartz (coordenador), Flavio Vinicius Diniz de Figueiredo.
2021 a AtualV2IP: Videomonitoramento para Identificação de Pessoas e Veı́culos
Ao longo dos últimos anos, autoridades públicas têm utilizado cada vez mais câmeras no monitoramento de regiões críticas em grandes cidades brasileiras. Se, por um lado, as câmeras de vigilância proporcionam uma grande quantidade de dados visuais, por outro, a análise desses dados (incontáveis horas de vídeo) torna-se um grande desafio quando feita manualmente, principalmente quando se trata de dados desafiadores, como a baixa qualidade dos dados devido à grande distância dos agentes (pessoas e veículos) em relação à câmera. Desta maneira, o processamento automático e acurado desses dados torna-se imprescindível, de modo a auxiliar agentes de segurança na prevenção de crimes (vigilância) e busca por evidências em casos em que os crimes já ocorreram (computação forense). Ao mesmo tempo, necessidades da ciência forense surgem para identificação de veículos em cenas de crime quando a placa de identificação não está somente distante da câmera como também não é legível ou interpretável pelo ser humano, sendo necessário o uso de técnicas de super- resolução para identificação do veículo envolvido no crime.. Ainda destacamos a necessidade de identificar indivíduos pela área de segurança pública em dois cenários: i) quando a comunidade carcerária realiza rebeliões e os indivíduos de interesse se encontram totalmente mascarados, e a única região da face visível é a ocular; ii) com a pandemia da COVID-19, o uso de máscaras na região da boca e nariz descaracteriza os métodos de reconhecimento de faces tradicionais.. É neste contexto social que surgem os problemas a serem estudados neste projeto. A equipe (coordenador principal (CP), coordenador associado brasileiro (CAB), coordenador associado estrangeiro (CAE), pesquisador estrangeiro (PE) e os membros da PF) já conta com vários trabalhos bem desenvolvidos para os problemas que serão estudados. Em conjunto, o CP e o CAB já desenvolveram trabalhos, projetos e estudos para a identificação automática de veículos e o resultado destes já se encontram em programas de computadores registrados e em uso pela sociedade por meio de projeto de P&D com empresas. E desde 2017 existe interação destes com o PCF Jorge Albuquerque Lambert por meio do evento InterForensics, e por meio da tese de doutorado do PCF cujo assunto principal é identificação de placas de carro. O CP e o CAE orientam atualmente doutorando sobre o reconhecimento baseado em região ocular, e os problemas em aberto deste doutorado são os propostos como estudo para este projeto com a colaboração estrangeira. O CAB participou como CA do projeto DeepEyes / PRO-Forenses 2014-2018, e os problemas propostos agora são desdobramentos daqueles já estudados anteriormente. Além disso, os coordenadores e o PE já trabalharam isoladamente abordando diversos aspectos dos problemas que estão propostos aqui. Dessa forma, todo e qualquer algoritmo, abordagem e método serão modulados como ferramentas para serem integrados ao sistema PERITUS.
Integrantes: William Robson Schwartz (coordenador), David Menotti Gomes.
2020 a AtualMonitoramento de Ambientes Imageados por Redes de Câmeras
(Edital Bolsa de Produtividade Edital CNPq 06/2019). Este projeto de pesquisa, inserido no contexto de Visão Computacional, tem como foco principal o desenvolvimento e aprimoramento de técnicas de visão computacional para efetuar monitoramento de ambientes a partir de dados obtidos por meio de câmeras de vigilância (redes de câmeras). A crescente disponibilidade de dados visuais adquiridos a partir de câmeras de vigilância espalhadas em diversos pontos de grandes cidades proporciona uma maior segurança e tranquilidade para as pessoas que circulam nesses ambientes monitorados. Ao longo dos últimos anos, autoridades públicas têm utilizado cada vez mais câmeras no monitoramento de regiões críticas em grandes cidades brasileiras. Se por um lado as câmeras de vigilância proporcionam uma grande quantidade de dados visuais, por outro, a análise desses dados torna-se um grande desafio quando feita manualmente. Desta maneira, o entendimento e a interpretação automática de atividades desempenhadas por humanos em vídeos apresentam grande interesse de modo a auxiliar a tarefa dos agentes de segurança. A vigilância visual é responsável pelo monitoramento, em tempo real e automático, dos objetos e agentes presentes em um ambiente sendo imageado por uma rede de câmeras. Seu principal objetivo é prover interpretação automática para cena e o entendimento automático das atividades e interações entre os agentes sendo observados a partir das informações visuais. A pesquisa em vigilância combina diversas áreas, tais como visão computacional, processamento de sinais, telecomunicações e aspectos sociais e éticos, o foco deste projeto está nos aspectos relacionados ao domínio da visão computacional. Especificamente, a extração de conhecimento a partir de cenários de vigilância, foco deste projeto, permitirá que seja efetuada a representação efetiva do conhecimento obtido a cena, o qual pode ser apresentado para sistemas de tomada de decisão.
Integrantes: William Robson Schwartz (coordenador).
2019 a AtualMaking Sense: Abordagens Robustas para Monitoramento Visual
(Chamada Universal MCTIC/CNPq 2018) Um dos principais objetivos do monitoramento automático de ambientes é a extração de informações a respeito de atividades desempenhadas pelos humanos de modo a detectar interações entre agentes e identificar padrões de comportamentos que sejam suspeitos. Para que as atividades sejam analisadas, um conjunto de problemas, tais como detecção e identificação dos agentes na cena, rastreamento ao longo do tempo, possivelmente entre câmeras distintas, reconhecimento de ações individuais, precisa ser resolvido. Tais problemas compõem o domínio de aplicações denominado observação de pessoas, responsável pela análise de imagens e vídeos contendo humanos.
Integrantes: William Robson Schwartz (coordenador).
2018 a AtualMultiMaps: Aprendizado de Representações Profundas para Mapeamento Geográfico em Larga Escala
(Chamada Universal MCTIC/CNPq) A criação de mapas temáticos utilizando Imagens de Sensoriamento Remoto (ISRs) como fonte de dados geralmente é modelada como um problema de classificação supervisionada. Muitos desafios computacionais estão associados à natureza das ISRs em que pode-se ressaltar: (1) são imagens georreferenciadas, ou seja cada pixel possui uma coordenada geográfica associada; (2) geralmente codificam muito mais que informação no espectro visível (R,G,B), o que exige o desenvolvimento de abordagens específicas para descrever padrões; (3) os dados podem variar quanto à resolução espacial alterando o nível de detalhe dos padrões e; (4) muitas aplicações tendem a exigir análise de dados espaço-temporais, com várias imagens do local de estudo ao longo do tempo. Assim, é muito frequente ter imagens obtidas a partir de diferentes sensores, o que pode melhorar a qualidade dos mapas temáticos gerados, mas exige a criação de técnicas capazes de codificar e combinar adequadamente as diferentes propriedades das imagens. Nesse contexto, o desenvolvimento de técnicas baseadas em aprendizado profundo têm sido revolucionário mas tem uma limitação: geralmente requerem muitas amostras para treinamento. A anotação de pixels na maioria das aplicações de ISRs depende de usuários especialistas, é custosa e inviável em algumas situações. Assim, a dificuldade de criação de grandes conjuntos de dados anotados para classificação supervisionada limita o uso da maioria das abordagens do estado da arte em reconhecimento de padrões por meio de aprendizado supervisionado. Desse modo, este projeto visa tratar o problema de reconhecimento de padrões para criação de mapas temáticos via aprendizado supervisionado em grandes conjuntos de imagens a partir de pequenos conjuntos de dados anotados. A pesquisa focará esforços em três frentes principais: (1) novos métodos para aprendizado de características com foco em propriedades de imagens de sensoriamento remoto; (2) algoritmos para transferência de conhecimento para explorar bases de imagens existentes como ponto de partida para reconhecimento de padrões e reduzir a necessidade de novas amostras anotadas por usuários especialistas; e (3) novas abordagens para aprendizado e fusão de representações a partir de múltiplas resoluções no espaço, tempo e espectro eletromagnético.
Integrantes: Jefersson Alex dos Santos (coordenador), William Robson Schwartz.
2018 a AtualLittleBigData: Reconhecimento de padrões em grandes bases de imagens utilizando pequenos conjuntos de dados anotados
(Edital Universal FAPEMIG) A área de reconhecimento de padrões em imagens vêm obtendo diversos avanços nos últimos anos. O desenvolvimento de tecnologias como as abordagens baseadas em aprendizado profundo (deep learning) têm estabelecido o estado da arte em diversas aplicações de Visão Computacional. No entanto, essas abordagens necessitam de grandes conjuntos de amostras para treinamento e isso impossibilita seu uso direto para resolver problemas em áreas mais específicas como medicina, forense digital, agricultura ou biodiversidade. A anotação de amostras nas principais aplicações dessas áreas deve ser feita por usuários especialistas (médicos, peritos, pesquisadores, etc). Esse processo geralmente é custoso e até mesmo inviável em diversas ocasiões. Detecção de câncer, por exemplo, depende do diagnóstico e do registro preciso de diversos pacientes ao longo dos anos para a obtenção de um conjunto de amostras representativo. Em aplicações agrícolas e de biodiversidade é comum a necessidade de deslocar equipes de especialistas em áreas de difícil acesso para anotar adequadamente uma determinada espécie de planta. Desse modo, esse projeto propõe o desenvolvimento de novas abordagens para lidar com o reconhecimento de padrões em aplicações que requerem o processamento de grande conjuntos de imagens mas que possuem restrição com relação à quantidade de amostras disponíveis. A pesquisa focará esforços nas seguintes frentes visando mitigar os problemas do aprendizado supervisionado à partir de poucas amostras em grandes bases de imagens: (1) estudo e desenvolvimento de técnicas para transferência de conhecimento de bases pré-existentes como forma de enriquecer o conjunto de amostras inicial; (2) estudo de algoritmos e estruturas de indexação de imagens para garantir escalabilidade das abordagens desenvolvidas; e (3) desenvolvimento de abordagens baseadas em aprendizado ativo para auxiliar usuários especialistas na anotação de amostras relevantes.
Integrantes: Jefersson Alex dos Santos (coordenador), William Robson Schwartz.
2017 a AtualHyperOpt-Convnet: Otimização de Arquiteturas de Redes Convolucionais
(Chamada Universal CNPq 01/2016) O desempenho dos métodos de aprendizado de máquina é muito dependente da escolha da representação de dados sobre a qual eles são aplicados. O rápido desenvolvimento do campo de aprendizado de representações (ou características /descritores) está preocupado com questões sobre como pode-se melhor aprender representações de dados que sejam significativas e úteis. Neste sentido, as representações em profundidade, compostas de várias camadas, empilhadas, tem permitido a obtenção de resultados estado-da-arte em diversas tarefas e mostrado grande avanço na última década, criando uma nova área de estudo dentro de aprendizado de máquina. Este projeto tem por objetivos o estudo e desenvolvimento de técnicas de aprendizado de representações em profundidade. Particularmente, este estudo é voltado à otimização de arquiteturas de redes convolucionais (RNC) para aprendizado de representações. Vários trabalhos estão preocupados com o aprendizado dos pesos dessas redes, mas outra linha de pesquisa que estamos investigando se preocupa principalmente com a busca da arquitetura de RNC ideal. Todavia, esta busca geralmente é realizada de forma aleatória ou por métodos que não procuram evitar mínimos locais. Portanto estamos especificamente interessados em estudar o comportamento de algoritmos evolucionários e meta-heurísticas para a otimização deste hyper-espaço de parâmetros que modelam RNC. Ainda, o projeto objetiva a aplicação dessas técnicas em tarefas ainda não exploradas por aprendizado de representações em profundidade como: classificação de objetos visuais (pedestres, parasitos, etc.), classificação e detecção de padrões fenológico em imagens de sensoriamento remoto e classificação de lesões em mamografias. Além dessas aplicações voltadas a imagens, também propomos a aplicação das técnicas em estudo para aprender representações de sinais cardíacos como em tarefas de identificação de indivíduos em baixas frequências e de classificação de arritmias usando Eletrocardiograma.
Integrantes: David Menotti Gomes (coordenador), William Robson Schwartz.
2017 a AtualDejaVu: Feature-Space-Time Coherence from Heterogeneous Data for Media Integrity Analytics and Interpretation of Events
[Projeto Temático Fapesp] In this project, we focus on synchronizing specific events in space and time (X- coherence), fact-checking, and mining persons, objects and contents of interest from various and heterogeneous sources including ? but not limited to ? the internet, social media and surveillance imagery. For that, we seek to harness information from various media sources and synchronize the multiple textual and visual information pieces around the position of an event or object as well as order them so as to allow a better understanding about what happened before, during, and shortly after the event. After automatically organizing the data and understanding the order of the facts, we can devise and deploy solutions for mining persons or objects of interest for suspect analysis/tracking, fact-checking, or even understanding the nature of the said event. With demanding and sophisticated crimes and terrorist threats becoming ever more pervasive, allied with the advent and spread of fake news, our objective is to use the developed solutions to help us answering the four most important questions in forensics regarding an event: ?who,? ?in what circumstances,? ?why,? and ?how,? thus identifying the characteristics and circumstances in which an event has taken place.
Integrantes: Anderson Rocha (coordenador), William Robson Schwartz.
2017 a AtualECV2: Extração de Conhecimento em Vigilância Visual
(Edital FAPEMIG 02/2017 - Programa Pesquisador Mineiro - PPM XI). Este projeto foca na resolução de problemas relacionados a vigilância visual de larga escala, onde dados são adquiridos a partir de múltiplas câmeras de vigilância. O foco deste projeto está relacionado aos aspectos de extração de conhecimento a partir de cenários de vigilância, contemplando problemas como manutenção de identidade, reconhecimento de atividades e eventos anômalos e a proposição de representações espaço-temporais. As soluções apresentadas para os problemas tratados, além de avançar o estado da arte, poderão ser incorporadas em sistemas de monitoramento de ambientes proporcionando avanços tecnológicos com impacto social, já que tais sistemas proporcionam ambientes mais seguros para circulação de pessoas, e econômico devido ao grande potencial de mercado para sistemas dessa natureza em nosso estado e país.
Integrantes: William Robson Schwartz (coordenador).
2017 a AtualINCT-Cyber: Instituto Nacional de CIência e Tecnologia para uma Sociedade Massivamente Conectada
A missão do Instituto Nacional de Ciência e Tecnologia para uma Sociedade Massivamente Conectada: Uma Abordagem Ciberfı́sica e Social (INCT-Cyber) é entender e desenvolver princı́pios cientı́ficos e tecnologias necessárias para as interações futuras entre seres humanos, computadores e o mundo fı́sico. Os princı́pios que norteiam o INCT-MCS são: (1) desenvolver sistemas e tecnologias necessárias para construir sistemas ciberfı́sicos complexos que as pessoas possam usar com grande confiança; (2) acelerar a implantação de sistemas ciberfı́sicos e sociais em uma sociedade massivamente conectada através do desenvolvimento de métodos, ferramentas e componentes de software e hardware baseados em princı́pios transversais, validados por meio protótipos e cenários de teste; (3) transferir os resultados cientı́ficos e tecnológicos alcançados para a indústria.
Integrantes: William Robson Schwartz (coordenador), Virgilio Augusto Fernandes Almeida.
2016 a AtualRede Mineira De Ciências Forenses
(Edital FAPEMIG 09/2016) A Ciência Forense é definida como uma ciência multidisciplinar, porque utiliza o conhecimento dos mais diversos ramos da ciência para melhor análise dos vestígios encontrados na cena de um crime. Uma perícia eficiente é condição necessária para a diminuição sistemática da criminalidade no país, seja por meio da diminuição da impunidade, seja mediante subsídios criminológicos para traçar políticas adequadas de segurança. Desta maneira, torna-se imperioso o desenvolvimento de políticas que possibilitem o acompanhamento da inovação científica e tecnológica, tornando o trabalho pericial mais eficiente no combate á criminalidade, visando o aprimoramento e atualização nas diferentes áreas do conhecimento, principalmente aquelas de interesse do Programa ?Brasil Mais Seguro? (Perícia em Local de Crimes Violentos, Medicina Legal, Balística Forense, Genética Forense, Informática Forense, Química Forense e Papiloscopia). Neste contexto, a criação da Rede Mineira de Ciências Forenses (RMCF) objetiva o fortalecimento dessa importante área, agregando pesquisadores de diferentes instituições que atuam em pesquisas na área de Perícia Criminal. Na primeira fase da RMCF, pretende-se consolidar as atividades de pesquisa que vem sendo realizadas em diferentes instituições do estado de Minas Gerais, promovendo uma maior interação entre as instituições de ensino e pesquisa e os institutos de Criminalística. A escolha das três áreas abordadas nesta primeira fase (Biologia, Computação e Química Forenses) foi pautada nas áreas prioritárias do Programa "Brasil Mais Seguro" e no levantamento feito a respeito de atividades de pesquisa em ciências forenses em andamento nas instituições participantes da Rede. Além de consolidar as pesquisas nas áreas priorizadas neste projeto, a RMCF alavancará pesquisas em áreas como papiloscopia, antropologia forense, odontologia forense, medicina legal, engenharia legal, etc.
Integrantes: William Robson Schwartz (coordenador), Clésia Cristina Nascentes.
2015 a AtualGigaFrames: Vigilância e Computação Forense em Larga Escala
(Edital FAPEMIG 18/2013 - Programa de Apoio a Núcleos Emergentes de Pesquisa - PRONEM). Ao longo dos últimos anos, tem-se utilizado cada vez mais câmeras no monitoramento de grandes cidades. Se, por um lado, as câmeras de vigilância proporcionam uma grande quantidade de dados visuais, por outro, a análise desses dados torna-se um grande desafio quando feita manualmente. Desta maneira, o processamento automático desses dados torna-se imprescindível, de modo a auxiliar agentes de segurança na prevenção de crimes (vigilância) e busca por evidências em casos em que os crimes já ocorreram (computação forense). Portanto, o instante de tempo de ocorrência de um evento (por exemplo, um crime) marca uma importante tangência entre as duas áreas. Este projeto tem como objetivo principal a implantação e consolidação de um núcleo emergente caracterizado pela criação da linha de pesquisa denominada Vigilância e Computação Forense. Esta linha, inédita no Brasil e formada por pesquisadores da UFMG, UFOP e UNICAMP, focará no desenvolvimento de técnicas de visão computacional e aprendizado de máquina para efetuar monitoramento de ambientes e análise forense digital a partir de grandes volumes de dados capturados por meio de câmeras de vigilância. Formada por seis pesquisadores das três instituições, a equipe, possui dois pesquisadores de produtividade nível 2 do CNPq. Embora jovens doutores, os membros da equipe coordenam projetos fomentados por agências governamentais e empresas, e possuem publicações nas principais conferências e periódicos da área. Adicionalmente, há um amplo histórico de colaboração entre os membros da equipe, tanto na área de vigilância quanto na área de computação forense.
Integrantes: William Robson Schwartz (coordenador), Eduardo Alves do Valle Júnior, Anderson Rocha, David Menotti Gomes, Guillermo Camara-Chavez, Jefersson Alex dos Santos.

Current applied research projects

See all projects in Lattes

Recent publications

Articles in journals

Super-resolution of license plate images using attention modules and sub-pixel convolution layers
2023. COMPUTERS & GRAPHICS-UK.
A Content-Based Late Fusion Approach Applied to Pedestrian Detection
2021. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION.
Face spoofing detection via ensemble of classifiers toward low-power devices
2021. PATTERN ANALYSIS AND APPLICATIONS.
An efficient and layout-independent automatic license plate recognition system based on the YOLO detector
2021. IET Intelligent Transport Systems.
Simple and efficient pose-based gait recognition method for challenging environments
2021. PATTERN ANALYSIS AND APPLICATIONS.
Discriminative Layer Pruning for Convolutional Neural Networks
2020. IEEE Journal of Selected Topics in Signal Processing.
Deep Network Compression based on Partial Least Squares
2020. NEUROCOMPUTING.
Human activity recognition based on smartphone and wearable sensors using multiscale DCNN ensemble
2020. NEUROCOMPUTING.
Convolutional neural networks for automatic meter reading
2019. JOURNAL OF ELECTRONIC IMAGING.
Kernel cross-view collaborative representation based classification for person re-identification
2019. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION.
Dynamic Multicontext Segmentation of Remote Sensing Images Based on Convolutional Networks
2019. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING.
Magnitude-Orientation Stream Network and Depth Information applied to Activity Recognition
2019. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION.
Magnitude-Orientation Stream network and depth information applied to activity recognition
2019. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION.
Face Identification Using Large Feature Sets
2012. IEEE Transactions on Image Processing.

Papers in conferences

Open-set Face Recognition with Neural Ensemble, Maximal Entropy Loss and Feature Augmentation
2023. Aceito para publicação no Conference on Graphic, Patterns and Images (SIBGRAPI).
DASP: Dual-autoencoder Architecture for Skin Prediction
2022. Image Analysis and Processing (ICIAP 2022).
Pixel-level Class-Agnostic Object Detection using Texture Quantization
2022. 2022 35th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Combining Attention Module and Pixel Shuffle for License Plate Super-Resolution
2022. 2022 35th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Stage-Wise Neural Architecture Search
2021. 2020 25th International Conference on Pattern Recognition (ICPR).
Covariance-free Partial Least Squares: An Incremental Dimensionality Reduction Method
2021. 2021 IEEE Winter Conference on Applications of Computer Vision (WACV).
MoRe: A Large-Scale Motorcycle Re-Identification Dataset
2021. 2021 IEEE Winter Conference on Applications of Computer Vision (WACV).
A Generative Approach for Face Mask Removal Using Audio and Appearance
2021. 2021 34th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Analyzing the Effects of Dimensionality Reduction for Unsupervised Domain Adaptation
2021. 2021 34th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Face Attributes as Cues for Deep Face Recognition Understanding
2020. 2020 15th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2020).
The Swax Benchmark: Attacking Biometric Systems with Wax Figures
2020. ICASSP 2020 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP).
Bubblenet: A Disperse Recurrent Structure To Recognize Activities
2020. 2020 IEEE International Conference on Image Processing (ICIP).
Cycleptz: The Learning-Based Control Method For Master-Slave Camera Systems
2020. 2020 IEEE International Conference on Image Processing (ICIP).
Open-set Face Recognition for Small Galleries Using Siamese Networks
2020. 2020 International Conference on Systems, Signals and Image Processing (IWSSIP).
Anomaly Event Detection based on People Trajectories for Surveillance Videos
2020. 15th International Conference on Computer Vision Theory and Applications.
SkeleMotion: A New Representation of Skeleton Joint Sequences based on Motion Information for 3D Action Recognition
2019. 2019 16th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS).
Point-Placement Techniques and Temporal Self-Similarity Maps for Visual Analysis of Surveillance Videos
2019. 2019 23rd International Conference Information Visualisation (IV).
Multi-Loss Recurrent Residual Networks for Gesture Detection and Recognition
2019. 2019 32nd SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Skeleton Image Representation for 3D Action Recognition Based on Tree Structure and Reference Joints
2019. 2019 32nd SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Pruning Deep Convolutional Networks using Partial Least Squares
2019. Workshop do British Machine Vision Conference (BMVCW).
Multi-Task Learning for Low-Resolution License Plate Recognition
2019. Iberoamerican Congress on Pattern Recognition (CIARP).
Face Spoofing Detection on Low-Power Devices using Embeddings with Spatial and Frequency-based Descriptors
2019. Iberoamerican Congress on Pattern Recognition (CIARP).
Gait Recognition using Pose Estimation and Signal Processing
2019. Iberoamerican Congress on Pattern Recognition (CIARP).
A Robust and Scalable Approach to Face Identification
2010. European Conference on Computer Vision.
Learning Discriminative Appearance-Based Models Using Partial Least Squares
2009. XXII Brazilian Symposium on Computer Graphics and Image Processing.
Human Detection Using Partial Least Squares Analysis
2009. IEEE International Conference on Computer Vision.

Extended abstracts in conferences

BioBox: Um Sistema Portátil para Controle de Acesso Biométrico
2017. IV Workshop de Iniciação Científica em Sistemas de Informação (WICSI).
Face Identification in Large Galleries
2016. SIBGRAPI - Conference on Graphics, Patterns and Images.
SSIG and IRISA at Multimodal Person Discovery
2015. Working Notes Proceedings of the MediaEval Workshop (MediaEval).
License Plate Character Segmentation using Partial Least Squares
2015. SIBGRAPI - Conference on Graphics, Patterns and Images.
Análise do Uso do Sinal de ECG em Baixas Frequências como Biometria
2013. SIBGRAPI - Conference on Graphics, Patterns and Images.

Abstracts in conferences

Identificação Automática de Redes de Drenagem em Modelos Digitais de Terreno
2002. X Evento de Iniciação Científica da UFPR (EVINCI'2002).
Um Algoritmo Eficiente para Rastreamento de Objetos em Futebol de Robôs
2002. X Evento de Iniciação Científica da UFPR (EVINCI'2002).
Modelagem de Objetos Tridimensionais Através de Superfícies Não-Lineares
2002. X Evento de Iniciação Científica da UFPR (EVINCI'2002).
Determinação de Mapas de Visibilidade em Modelos Digitais de Terrenos
2001. II Colóquio Brasileiro de Ciências Geodésicas (CBCG'2001).
Reconhecimento Automático de Características Topográficas em Imagens Digitais de Terrenos
2001. II Colóquio Brasileiro de Ciênicas Geodésicas (CBCG'2001).

See all publications in Lattes

Current students

MS

Jesimon Barreto Santos. Utilização de Transformers para Geração de Modelos para Aplicações Downstream. Início: 2023. Universidade Federal de Minas Gerais (Orientador principal)
Luiz Eduardo Lima Coelho. Anonimização de Redes Profundas. Início: 2021. Universidade Federal de Minas Gerais (Orientador principal)
Guilherme Cramer Barbosa Silva. Utilização de Sensores para Reconhecimento de Atividades. Início: 2021. Universidade Federal de Minas Gerais (Orientador principal)
Ramon Caldeira Faria. Adição de Marcas d'Água em Videos de Vigilância. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Luiz Guilherme Fonseca Carreira. Fusão Biométrica em Vídeos de Vigilância. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)

PhD

Eliamara Souza da Silva. Fusão de Biometrias com Redes Profundas. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Ana Paula Schiavon Yamada. Otimização de Redes Neurais Profundas. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Maiko Min Ian Lie. Reconhecimento de Eventos Anômalos. Início: 2018. Universidade Federal de Minas Gerais (Orientador principal)
Jéssica Sena de Souza. Reconhecimento de Atividades em Pacientes de Unidades de Terapia Intensiva. Início: 2018. Universidade Federal de Minas Gerais (Orientador principal)
Gustavo Oliveira de Siqueira. Aplicação de Múltiplas Biometrias para Identificação de Pessoas. Início: 2018. Universidade Federal de Minas Gerais (Orientador principal)
Rafael Henrique Vareto. Reconhecimento de Faces em Galerias Abertas. Início: 2017. Universidade Federal de Minas Gerais (Orientador principal)
Renan Oliveira Reis. Tracking People with Surveillance Systems. Início: 2016. Universidade Federal de Minas Gerais (Orientador principal)
Gabriel Resende Gonçalves. Person Behavior Analysis Through Eye-Gaze Estimation. Início: 2016. Universidade Federal de Minas Gerais (Orientador principal)
Victor Hugo Cunha de Melo. Vision-Based Human Activity Recognition. Início: 2014. Universidade Federal de Minas Gerais (Orientador principal)

See all students in Lattes

Acesso por PERFIL

Skip to content