
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade Federal de São Paulo (UNIFESP) | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | Universidade Federal de São Carlos (UFSCar) | - |
| Autor(es): dc.contributor | The University of Adelaide | - |
| Autor(es): dc.creator | Buris, Luiz H. | - |
| Autor(es): dc.creator | Pedronette, Daniel C.G. | - |
| Autor(es): dc.creator | Papa, Joao P. | - |
| Autor(es): dc.creator | Almeida, Jurandy | - |
| Autor(es): dc.creator | Carneiro, Gustavo | - |
| Autor(es): dc.creator | Faria, Fabio A. | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T16:57:42Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T16:57:42Z | - |
| Data de envio: dc.date.issued | 2023-07-29 | - |
| Data de envio: dc.date.issued | 2023-07-29 | - |
| Data de envio: dc.date.issued | 2021-12-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/ICIP46576.2022.9897167 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/249580 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/249580 | - |
| Descrição: dc.description | Deep learning architectures have achieved promising results in different areas (e.g., medicine, agriculture, and security). However, using those powerful techniques in many real applications becomes challenging due to the large labeled collections required during training. Several works have pursued solutions to overcome it by proposing strategies that can learn more for less, e.g., weakly and semi-supervised learning approaches. As these approaches do not usually address memorization and sensitivity to adversarial examples, this paper presents three deep metric learning approaches combined with Mixup for incomplete-supervision scenarios. We show that some state-of-the-art approaches in metric learning might not work well in such scenarios. Moreover, the proposed approaches outperform most of them in different datasets. | - |
| Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
| Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
| Descrição: dc.description | Institute of Science and Technology Universidade Federal de São Paulo | - |
| Descrição: dc.description | Depart. of Statistics Applied Math. and Computing São Paulo State University | - |
| Descrição: dc.description | Department of Computing São Paulo State University | - |
| Descrição: dc.description | Department of Computing Federal University of São Carlos | - |
| Descrição: dc.description | Australian Institute for Machine Learning The University of Adelaide | - |
| Descrição: dc.description | Depart. of Statistics Applied Math. and Computing São Paulo State University | - |
| Descrição: dc.description | Department of Computing São Paulo State University | - |
| Descrição: dc.description | FAPESP: 2014/12236-1 | - |
| Descrição: dc.description | FAPESP: 2017/25908-6 | - |
| Descrição: dc.description | FAPESP: 2018/23908-1 | - |
| Descrição: dc.description | FAPESP: 2019/07665-4 | - |
| Descrição: dc.description | FAPESP: 2021/01870-5 | - |
| Descrição: dc.description | CNPq: 308529/2021-9 | - |
| Descrição: dc.description | CNPq: 314868/2020-8 | - |
| Formato: dc.format | 2581-2585 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Proceedings - International Conference on Image Processing, ICIP | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | deep learning | - |
| Palavras-chave: dc.subject | deep metric learning | - |
| Palavras-chave: dc.subject | incomplete supervision | - |
| Palavras-chave: dc.subject | mixup | - |
| Título: dc.title | MIXUP-BASED DEEP METRIC LEARNING APPROACHES FOR INCOMPLETE SUPERVISION | - |
| Tipo de arquivo: dc.type | aula digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: