---

Informações resumidas do Currículo Lattes

Currículo Lattes atualizado em 05/05/2022

ORCID: https://orcid.org/0000-0002-8889-1586

Nome em citações bibliográficas: Santos, J.A. dos;Santos, J.A.;SANTOS, Jefersson Alex dos;dos Santos, Jefersson Alex;DOS SANTOS, JEFERSSON A.;SANTOS, J. A. DOS;SANTOS, JEFERSSON A. DOS;DOS SANTOS, J. A;DOS SANTOS, J. A.;SANTOS, Jefersson dos;DOS SANTOS, Jefersson;A. DOS SANTOS, JEFERSSON

---

Projetos de pesquisa em andamento

2021 a Atual	[Instituto Serrapilheira] Dense Labeling of Remote Sensing Images in the Wild Automatic geographic mapping using Remote Sensing Images (RSIs) as a data source is usually modeled as a supervised classification problem. In this context, dense pixel labeling also called semantic segmentation or pixel-wise classification is a computer vision task that has made great strides in recent years mainly due to the emergence of new approaches based on deep convolutional networks. Remote sensing applications have also benefited from these advances. Several studies have been noted for the high level of quality obtained in the creation of geographic maps in an automated way through the use of semantic segmentation techniques. An important issue, however, is that the advances shown are generally evaluated in relatively well-controlled environments. A number of challenges emerge when these approaches are employed on more specific applications, such as class imbalance, underrepresentation of some classes, and presence of pixels of unknown classes during the prediction phase. In the case of geographic mapping by means of remote sensing images, there are also problems of geographic and temporal domain shift. In addition, sample annotation depends on expert users, imposing restrictions on the volume of annotated data available. In this project, we will address the challenges for the effective use of supervised learning in dense pixel labeling through the study and development of new approaches to increase the robustness of the models to these restrictions. The effectiveness and suitability of the proposed methods will be evaluated in two main applications: detection of rural roads in the Amazon rainforest and Cerrado savanna; and monitoring of urban housing conditions and their relationship with outbreaks of Dengue disease. Integrantes: Jefersson Alex dos Santos (coordenador), Keiller Nogueira, Hugo de Oliveira, Renato Assunção, José Marcato, Heitor Soares Ramos Filho, Fabrício Murai, Francisco Chiaravalloti Neto, Raoni Rajão.
2021 a Atual	[FAPESP MCTI/CGI] Análise de dados heterogêneos em computação urbana Este projeto tem como objetivo a investigação científica na área de Computação Urbana, onde serão propostos novos métodos de análise de dados de sensoriamento social (sensoriamento participativo, análise de redes sociais e sensoriamento oportunístico) e sensoriamento remoto no contexto de ambientes urbanos. Inicialmente, investigaremos novas formas de representação das séries temporais coletadas através do sensoriamento social baseada na representação de padrões ordinais. Em seguida, proporemos métricas extraídas das representações propostas para avançar o estado-da-arte em mineração de séries temporais para dados de Computação Urbana. Neste projeto, também será investigada a análise de dados de mobilidade urbana e redes sociais, bem como a análise de imagens de sensoriamento remoto em regiões urbanas. Em suma, este projeto apresenta o a proposta investigação científica em quatro linhas: (i)~mineração de séries temporais para Computação Urbana, (ii)~análise de sensoriamento social e mobilidade urbana, (iii) Redes veiculares, Internet das coisas e redes de sensores sem fio e (iv)~análise de imagens de sensoriamento remoto para ambientes urbanos. Integrantes: Heitor Soares Ramos Filho (coordenador), Jefersson Alex dos Santos, Antonio Alfredo Ferreira Loureiro, Alejandro César Frery Orgambide, Leandro Villas, João Guilherme Maia.
2020 a Atual	[FAPEMIG] CAD-COVID-19: Monitoramento e Auxílio ao Diagnóstico de Pacientes com COVID-19 Usando Radiografias Torácicas e Deep Learning O mundo está vivendo uma pandemia histórica que em menos de 4 meses já atingiu quase 2 milhões de pessoas. Dada a velocidade de disseminação do novo coronavírus e com a iminência do colapso de sistema de saúde no Brasil e no mundo, é urgente a necessidade de um sistema de auxílio a diagnóstico (computer-aided diagnosis, CAD) que permita aprimorar este que é um dos principais gargalos da pandemia. Casos mais severos da doença impactam diretamente a capacidade pulmonar do paciente. Os sintomas nesses casos podem ser detectados principalmente através de radiografias torácicas e tomografias computadorizadas. Assim, este projeto visa o desenvolvimento de uma abordagem para auxílio a diagnóstico de doenças pulmonares a partir de imagens, com foco em casos relacionados ao surto de COVID-19. Um dos principais objetivos da proposta é oferecer um sistema online para centralização dos dados de raio-x e tomografias de pacientes diagnosticados com o COVID-19 ou casos suspeitos. O sistema deve permitir que pesquisadores e profissionais de saúde façam upload de imagens médicas que serão integradas ao repositório centralizado, e recebam em retorno um relatório com propriedades extraídas das imagens para o auxílio ao diagnóstico de doenças pulmonares. Este projeto complementa pesquisas em andamento no laboratório PATREO que já apresentaram resultados consolidados. Uma das abordagens recentemente propostas se trata de um método não-supervisionado para segmentação de imagens de Raio-X intitulado CoDAGANs. O método foi capaz de generalizar para diferentes equipamentos de imageamento, desde sistemas mais modernos até equipamentos antigos. O sistema aqui proposto irá fornecer uma interface para as CoDAGANs, bem como os mapas de segmentação de todas as imagens existentes no repositório. A segmentação é também um passo essencial para que as propriedades extraídas das imagens médicas representem exclusivamente a região de interesse. Integrantes: Jefersson Alex dos Santos (coordenador), Hugo de Oliveira, MACHADO, ALEXEI M. C., Heitor Soares Ramos Filho, MOTA, VIRGÍNIA F., Cláudio Saliba, Camila Laranjeira da Silva.
2020 a Atual	[MPMG] Programa de Capacidades Analíticas do Ministério Público de Minas Gerais O Ministério Público de Minas Gerais (MPMG), por meio do Gabinete de Segurança e Inteligência (GSI), tem parceria firmada com o Departamento de Ciência da Computação da UFMG para a ampliação de seu Programa de Capacidades Analíticas. O Programa tem como premissa o desenvolvimento de ferramentas próprias, com ênfase em software livre, alta capacidade de resposta e adaptabilidade a novas necessidades surgidas ao longo do tempo. Essa é a mais avançada estrutura tecnológica para a análise de grandes volumes de dados complexos, oriundos de bases abertas e restritas existentes no Estado de Minas Gerais. Este projeto visa desenvolver novas funcionalidades e ferramentas de inteligência artificial aplicadas a diversos contextos de processamento massivo de dados, em particular análises e modelagens descritivas, preditivas e prescritivas. O projeto ataca diferentes frentes de pesquisa, como sensoriamento remoto para conferir o andamento de obras públicas do estado de Minas Gerais; identificação de abuso sexual em imagens e vídeos para auxiliar o trabalho de peritos da polícia; análise de fraudes em licitações, dentre muitos outros. O objetivo é impulsionar as ações do MPMG por meio das capacidades analíticas de investigação e inteligências tecnológicas. Integrantes: Wagner Meira Júnior (coordenador), Jefersson Alex dos Santos, VELOSO, ADRIANO, George Luiz Medeiros Teodoro, Clodoveu Augusto Davis Júnior, Fabrício Benevenuto de Souza.
2020 a Atual	[FAPESP] Uso de sensoriamento remoto e inteligência artificial para prever áreas com alto risco de infestação por Aedes aegypti e arboviroses O atual panorama epidemiológico no Brasil é preocupante, pois nos últimos anos foram notificados milhares de casos de dengue (DEN), zika (ZIK) e chikungunya (CHIK). Essas arboviroses e suas complicações são problemas de saúde pública importantes, e os estudos realizados no estado de São Paulo são extremamente fragmentados, quase sempre sem relacionar a tríplice vetor x população x ambiente. O mosquito Aedes aegypti tem papel fundamental na disseminação de todos esses agravos, mas existe uma grande dificuldade para identificar áreas de risco tendo como base somente os indicadores entomológicos tradicionalmente utilizados (Breteau, Predial e de Recipientes). Nosso objetivo neste trabalho é desenvolver um modelo para identificar áreas de alto risco para infestação por Ae. aegypti e ocorrência de arboviroses (DEN, ZIK e CHIK) baseado na quantificação de fêmeas adultas do vetor, nas características físicas, econômicas, sociais e climáticas das regiões. O estudo será realizado na área urbana do município de Campinas, estado de São Paulo. Utilizaremos, para seu desenvolvimento, técnicas de Inteligência Artificial e deep learning para classificação das imagens de sensoriamento remoto, além de modelagens Bayesianas que relacionem o número de fêmeas do Ae. Aegypti, bem como casos de DEN, ZIK e CHIK com características socioambientais. Pretende-se desenvolver metodologias para identificar áreas de alto risco e espera-se encontrar um padrão espacial de ocorrência que aponte para áreas de maior risco e que poderia fornecer informações úteis para as atividades de controle e vigilância. Esses métodos, bem como parte ou todo o conjunto de resultados obtidos por meio dessas tecnologias, após validação, poderiam ser regularmente adotados para gestão da saúde pública, otimizando recursos e tempo na identificação de áreas de risco para a ocorrência desses agravos, priorizando a aplicação de medidas de vigilância e controle nessas regiões. Integrantes: Francisco Chiaravalloti Neto (coordenador), Jefersson Alex dos Santos, Gerson Laurindo Barbosa, José Alberto Quintanilha, Marcia Caldas de Castro, Marta Blangiardo, Maurício Lacerda Nogueira, Monica Pirani, Valmir Roberto Andrade.
2019 a Atual	[CAPES-COFECUB] Hierarchical Graph-based Analysis of Image, Video and Multimedia Data Methods of image, video and multimedia analysis which use hierarchical representation aim to explore the visual representation as region-oriented scale-space. This representation is a set of graph representations at different detail levels in which the representation at finer levels are nested with respect to those at coarser levels producing a hierarchy of partitions. This kind of data structure has been sucessfully applied to remote sensing, object detection and human action recognition. Despite the several ways for computing hierarchies of partitions, developing efficient and effective methods is not an easy task due to the semantic information which is needed for a segmentation. In fact, the state-of-the-art segmentation methods depend on the good gradients to produce good results. Furthermore, non-hierarchical methods could produce good segmentation results thanks to the (dis)similarity measure used for merging two regions, which can be transformed, without loss of quality, into hierarchical methods which incorporate some new properties. Thus, the main goal of this study is to advance in the state-of-the-art on \textit{hierarchy of partitions} taking into account aspects of efficiency, quality, making hierarchical and interactivity, as well as the use of hierarchical information to help in the information extraction and the label propagation. Moreover, we will investigate hierarchical visualization of all, image, video and multimedia, by using countour saliency maps. Finally, we will explore the criteria for hierarchical comparison and for hierarchical combination taking into account their contour saliency maps and learning methods. The results of these studies will be used for solving several applications like human action recognition, pornography detection, image and video region labeling, multimedia label propagation, image and video inpainting, among others. We will build upon existing research and skills at LIGM, IRISA, Grenoble INP, UNICAMP, PUC Minas and UFMG to develop collaborative work exploiting complementarity of these institutions Integrantes: Silvio Jamil Ferzoli Guimarães (coordenador), Jefersson Alex dos Santos, Falcão, Alexandre Xavier, Arnaldo de Albuquerque Araújo, Zenilton Kleber Gonçalves do Patrocínio Júnior, Guillaume Gravier, Hélio Pedrini, Jean Cousty, Yukiko Kenmochi, Laurent Najman, Simon Malinowski.
2018 a Atual	[CNPq Universal - Faixa B] MultiMaps: Aprendizado de Representações Profundas para Mapeamento Geográfico em Larga Escala 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), Torres, R.da S., William Robson Schwartz, Rodrigo Affonso de Albuquerque Nobrega, Britaldo Silveira Soares Filho, Renato Martins Assunção.
2018 a Atual	[FAPEMIG Universal] LittleBigData: Reconhecimento de padrões em grandes bases de imagens utilizando pequenos conjuntos de dados anotados 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 préexistentes 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), Arnaldo de Albuquerque Araújo, Silvio Jamil Ferzoli Guimarães, William Robson Schwartz, Mário Sérgio Ferreira Alvim Jr, MACHADO, ALEXEI M. C..
2018 a Atual	[CEMIG/ANEEL] Monitoramento Inteligente da Qualidade da Água em Reservatórios Hidrelétricos Através do Desenvolvimento de um Algoritmo Fotogramétrico O objetivo principal desse projeto é o desenvolvimento de um algoritmo para a análise e o monitoramento remoto da qualidade da água de reservatórios. Propõe-se aumentar a disponibilidade e a precisão dos dados obtidos com o monitoramento ambiental da qualidade da água e do entorno de reservatórios, através do desenvolvimento de algoritmos para processamento de imagens de alta resolução, obtidas por veículos aéreos não tripulados (VANTs) em combinação com imagens de satélite e dados tradicionalmente obtidos em campo. Prevê-se como estudo de caso o Reservatório de Três Marias-MG. Como objetivos específicos e resultados pretendidos destacam-se: -Desenvolver algoritmos para avaliar a qualidade de água e o entorno do reservatório, na área de estudo, a partir de imagens multiespectrais; -Desenvolver metodologias para calibração e validação de algoritmos para análise de qualidade de água e do entorno do reservatório a partir de imagens multiespectrais; -Otimizar a rede de monitoramento, considerando a localização das estações, a frequência de monitoramento e os parâmetros mais importantes para a caracterização da qualidade das águas na região de estudo, utilizando análises estatísticas multivariadas; -Aplicar e validar ferramentas estatísticas para integração de séries históricas de monitoramento da qualidade da água visando o atendimento às diversas finalidades da rede, como a análise de tendência de evolução da qualidade da água, a identificação de áreas críticas de poluição e verificação da efetividade da gestão sobre as ações de recuperação da qualidade da água; -Desenvolver protocolos para automação e otimização de processos de monitoramento de qualidade de água combinados aos métodos tradicionais Integrantes: Camila Costa de Amorim Amaral (coordenador), Jefersson Alex dos Santos, Philippe Maillard.
2013 a Atual	[FAPESP/Microsoft Research] Towards an understanding of tipping points within tropical South American biomes Terrestrial ecosystems are currently undergoing unprecedented climate and human-induced disturbances, which are likely to push these systems towards changes in their physiognomies, structure, and functioning. It has been hypothesized that these new configurations may be alternative states of systems comprising vegetation-climate-disturbance interactions. The majority of the studies reporting ecosystem switches considers vegetation-climate-disturbance systems confined to certain spatial scales (local to continental) without accounting for multi-scale interactions and are unable to detect out-of-range changes and/or regime shifts in vegetation due to difficulties in collecting sufficiently long time series to define standard behavior of the system. In this context, we propose to investigate novel machine learning and image processing techniques aiming to support the use of multi-scale ecological knowledge in the analysis of vegetation-climate-disturbance systems. We also propose the use of the theory of dynamical complex systems as a novel way of filling up the gaps in evaluating ecosystem transitions, transients, and alternative states under current land use and climate change trends. Integrantes: Ricardo Torres (coordenador), Jefersson Alex dos Santos, Marina Hirota Magalhães, Rafael Silva Oliveira, Jan Verbesselt, Ingrid van de Leemput, Vasilis Dakos.
2013 a Atual	[FAPESP/Microsoft Research] Combining new technologies to monitor Phenology from leaves to ecosystems The e-phenology is a multidisciplinary project that explores innovative solutions for plant monitoring in the tropics, combining research in Computer Science, Phenology, and Ecology. On-the-ground phenological observations preclude large areas of study and are laborious and time consuming. Near-surface remote phenology with digital cameras is still area-limited but reduces considerably manpower. Furthermore, it has proven to be an important tool for monitoring several species and accurately accessing leaf changes. In this project, we aim to apply new technologies to enhance the capabilities of near-surface remote phenological observation to detect changes on various scales, from leaves to ecosystems. Our goal is to address theoretical and practical problems involving the combination of two remote phenology monitoring systems: digital and hyperspectral cameras at three scales: on-the-ground, phenology tower, and near-space using Unmanned Aerial Vehicle (UAV). It is geared towards four innovative objectives: (a) to develop a protocol for extracting spectral data from the RGB color channels, improving the information that can be derived from low-cost digital monitoring systems; (b) to apply those technologies to extract plant ecophysiological data advancing our knowledge of plant seasonal responses to environmental drivers in the tropics to climate change; (c) to develop near-surface monitoring system for reproductive phenophases i.e., flowering and fruiting, based on digital and hyperspectral images truth-grounded by species-specific spectral data; and (d) to advance and to apply novel database, image processing, machine learning, and visualization models, methods, and algorithms to support acquisition, management, integration, and analysis of phenology data systems from various scales. The research team is composed of Computer Scientists and researchers in Plant Ecology and Phenology. Integrantes: MORELLATO, LEONOR PATRICIA C. (coordenador), Jefersson Alex dos Santos, Torres, R.da S., ALMEIDA, JURANDY.

Projetos de desenvolvimento em andamento

Veja todos os projetos no Currículo Lattes

---

Últimas publicações

Artigos em periódicos

Open Set Semantic Segmentation for Multitemporal Crop Recognition
2022. IEEE Geoscience and Remote Sensing Letters.
AiRound and CV-BrCT: Novel Multi-View Datasets for Scene Classification
2021. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.
A genetic algorithm approach for image representation learning through color quantization
2021. MULTIMEDIA TOOLS AND APPLICATIONS.
Semantic segmentation of citrus-orchard using deep neural networks and multispectral UAV-based imagery
2021. PRECISION AGRICULTURE.
Fully convolutional open set segmentation
2021. MACHINE LEARNING (DORDRECHT. ONLINE).
Semantic Segmentation of Tree-Canopy in Urban Environment with Pixel-Wise Deep Learning
2021. Remote Sensing.
An Introduction to Deep Morphological Networks
2021. IEEE Access.
Water tank and swimming pool detection based on remote sensing and deep learning: Relationship with socioeconomic level and applications in dengue control
2021. PLoS One.
From video pornography to cancer cells: a tensor framework for spatiotemporal description
2020. MULTIMEDIA TOOLS AND APPLICATIONS.
Facing Erosion Identification in Railway Lines Using Pixel-Wise Deep-Based Approaches
2020. Remote Sensing.
Truly Generalizable Radiograph Segmentation with Conditional Domain Adaptation
2020. IEEE Access.
A Soft Computing Approach for Selecting and Combining Spectral Bands
2020. Remote Sensing.
From 3D to 2D: transferring knowledge for rib segmentation in chest X-rays
2020. PATTERN RECOGNITION LETTERS.
A Soft Computing Framework for Image Classification Based on Recurrence Plots
2019. IEEE Geoscience and Remote Sensing Letters.
Spatio-Temporal Vegetation Pixel Classification by Using Convolutional Networks
2019. IEEE Geoscience and Remote Sensing Letters.
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.
On the ensemble of multiscale object-based classifiers for aerial images: a comparative study
2018. MULTIMEDIA TOOLS AND APPLICATIONS.
Exploiting ConvNet Diversity for Flooding Identification
2018. IEEE GEOSCIENCE AND REMOTE SENSING LETTERS.
Towards better exploiting convolutional neural networks for remote sensing scene classification
2017. Pattern Recognition.
Interactive Multiscale Classification of High-Resolution Remote Sensing Images
2013. IEEE J-STARS.
Multiscale Classification of Remote Sensing Images
2012. IEEE Transactions on Geoscience and Remote Sensing.
A relevance feedback method based on genetic programming for classification of remote sensing images
2011. Information Sciences.

Trabalhos completos em congressos

ChessMix: Spatial Context Data Augmentation for Remote Sensing Semantic Segmentation
2021. 2021 34th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Segmentation of Tree Canopies in Urban Environments Using Dilated Convolutional Neural Network
2021. IGARSS 2021 2021 IEEE International Geoscience and Remote Sensing Symposium.
Machine Learning Bias in Computer Vision: Why do I have to care?
2021. 2021 34th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Learning to Segment Medical Images from Few-Shot Sparse Labels
2021. 2021 34th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Opening Deep Neural Networks With Generative Models
2021. 2021 IEEE International Conference on Image Processing (ICIP).
Towards Open-Set Semantic Segmentation Of Aerial Images
2020. 2020 IEEE Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS).
An End-To-End Framework For Low-Resolution Remote Sensing Semantic Segmentation
2020. 2020 IEEE Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS).
Brazildam: A Benchmark Dataset For Tailings Dam Detection
2020. 2020 IEEE Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS).
Water Tanks and Swimming Pools Detection in Satellite Images: Exploiting Shallow and Deep-Based Strategies
2020. Workshop de Visão Computacional.
Evaluating Deep Contextual Description of Superpixels for Detection in Aerial Images
2019. IGARSS 2019 2019 IEEE International Geoscience and Remote Sensing Symposium.
How Effective Is Super-Resolution to Improve Dense Labelling of Coarse Resolution Imagery?
2019. SIBGRAPI.
A Tool for Bridge Detection in Major Infrastructure Works Using Satellite Images
2019. 2019 XV Workshop de Visão Computacional (WVC).
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).
Statistical Measures from Co-occurrence of Codewords for Action Recognition
2018. International Conference on Computer Vision Theory and Applications.
Superpixel Context Description based on Visual Words Co-Occurrence Matrix
2018. IGARSS 2018 2018 IEEE International Geoscience and Remote Sensing Symposium.
Correcting Misaligned Rural Building Annotations in Open Street Map Using Convolutional Neural Networks Evidence
2018. IGARSS 2018 2018 IEEE International Geoscience and Remote Sensing Symposium.
A Benchmark Methodology for Child Pornography Detection
2018. 2018 31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Deep Transfer Learning for Segmentation of Anatomical Structures in Chest Radiographs
2018. 2018 31th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
A Comparative Study on Unsupervised Domain Adaptation for Coffee Crop Mapping
2018. CIARP 2018 - XXIII Iberoamerican Congress on Pattern Recognition.
Exploring Deep-Based Approaches for Semantic Segmentation of Mammographic Images
2018. CIARP 2018 - XXIII Iberoamerican Congress on Pattern Recognition.

Resumos expandidos em congressos

Resumos em congressos

RECOD @ Placing Task of MediaEval 2016: A Ranking Fusion Approach for Geographic-Location Prediction of Multimedia Objects.
2016. MediaEval.
e-phenology: monitoring leaf phenology and tracking climate changes in the tropics
2014. European Geosciences Union General Assembly, 2014.
NPDI Find Porn: Uma Ferramenta para Detecção de Conteúdo Pornográfico
2014. roceedings of the XIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais.
Semi-automatic Classification of Remote Sensing Images
2013. Conference on Graphics, Patterns, and Images (SIBGRAPI).
Classificação Semi-automática de Regiões em Imagens de Sensoriamento Remoto Utilizando Realimentação de Relevância
2010. I Simpósio de Processamento de Sinais da UNICAMP.

Veja todas as publicações no Currículo Lattes

---

Orientações em andamento

Mestrado

Bruno Augusto Alemão Monteiro. Self-supervised strategies for pattern recognition in geophysical imaging. Início: 2021. Universidade Federal de Minas Gerais (Orientador principal)
Lucas Costa de Faria. Detecção Automática de Estradas Rurais por Meio de Imagens Aéreas. Início: 2021. Universidade Federal de Minas Gerais (Orientador principal)
Arthur Bernardo Assumpção Pinto. Arthur Bernardo Assumpção Pinto. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Pedro Henrique Araújo. Segmentação Semântica Com Encoder Siamês De Aprendizagem Métrica E Modelo De Dados Latentes. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)

Doutorado

Pedro Henrique Targino Gama. Meta learning Approaches for Few-Shot Semantic Segmentation with Sparse Labels. Início: 2021. Universidade Federal de Minas Gerais (Orientador principal)
Érico Marco Dias Alves Pereira. Robust Content-based Estimation of Image Geolocation. Início: 2021. Universidade Federal de Minas Gerais (Orientador principal)
João José de Macedo Neto. Deep-based approaches for multimedia Child Sexual Abuse Material Recognition. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Cristiano Neves Rodrigues. Interactive Learning for Semantic Segmentation in the Wild. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Camila Laranjeira da Silva. Seeing without Looking: Analysis Pipeline for Child Sexual Abuse Material. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Matheus Barros Pereira. Hierarchical Approaches for Remote Sensing Image Semantic Segmentation. Início: 2019. Universidade Federal de Minas Gerais (Orientador principal)
Edemir Ferreira de Andrade Junior. Mapeamento geográfico utilizando imagens aéreas de múltiplas bases de conhecimento. Início: 2016. Universidade Federal de Minas Gerais (Orientador principal)

Veja todas as orientações no Currículo Lattes

---