Lucas Correia Ribas

Pós-doutorado

Idiomas

Áreas de atuação

Organização de eventos

Participação em eventos

Participação em bancas

Orientou

Produções bibliográficas

• ZIELINSKI, K. M. ; SCABINI, L. ; RIBAS, L. C. ; SILVA, N. R. ; BEECKMAN, H. ; VERWAEREN, J. ; BRUNO, O. M. ; BAETS, B. . Advanced wood species identification based on multiple anatomical sections and using deep feature transfer and fusion. COMPUTERS AND ELECTRONICS IN AGRICULTURE , v. 231, p. 109867, 2025.

• RIBAS, LUCAS C. ; CASACA, WALLACE ; FARES, RICARDO T. . Conditional Generative Adversarial Networks and Deep Learning Data Augmentation: A Multi-Perspective Data-Driven Survey Across Multiple Application Fields and Classification Architectures. Ai , v. 6, p. 32, 2025.

• SCABINI, LEONARDO ; SACILOTTI, ANDRE ; ZIELINSKI, KALLIL M. ; RIBAS, LUCAS C. ; DE BAETS, BERNARD ; BRUNO, ODEMIR M. . A Comparative Survey of Vision Transformers for Feature Extraction in Texture Analysis. JOURNAL OF IMAGING , v. 11, p. 304, 2025.

• RIBAS, L. C. ; SCABINI, LEONARDO ; CONDORI, R. H. M. ; BRUNO, ODEMIR M. . Color-texture classification based on spatio-spectral complex network representations. PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS , v. 635, p. 129518, 2024.

• RIBAS, LUCAS C. ; BRUNO, ODEMIR M. . Learning a complex network representation for shape classification. PATTERN RECOGNITION , v. 154, p. 110566, 2024.

• ZIELINSKI, KALLIL M.C. ; RIBAS, L. C. ; MACHICAO, M. J. ; BRUNO, ODEMIR M. . A network classification method based on density time evolution patterns extracted from network automata. PATTERN RECOGNITION , v. 146, p. 109946, 2024.

• RIBAS, LUCAS C. ; Scabini, Leonardo F. S. ; DE MESQUITA SÁ JUNIOR, JARBAS JOACI ; BRUNO, ODEMIR M. . Local complex features learned by randomized neural networks for texture analysis. PATTERN ANALYSIS AND APPLICATIONS , v. 27, p. 23, 2024.

• DE CASTRO, LUCAS D.C. ; SCABINI, LEONARDO ; RIBAS, LUCAS C. ; BRUNO, ODEMIR M. ; OLIVEIRA JR., OSVALDO N. . Machine learning and image processing to monitor strain and tensile forces with mechanochromic sensors. EXPERT SYSTEMS WITH APPLICATIONS , v. 212, p. 118792, 2023.

• SCABINI, LEONARDO ; ZIELINSKI, KALLIL M. ; RIBAS, LUCAS C. ; GONALVES, WESLEY N. ; BAETS, BERNARD DE ; BRUNO, ODEMIR M. . RADAM: Texture recognition through randomized aggregated encoding of deep activation maps. PATTERN RECOGNITION , v. 143, p. 109802, 2023.

• ZIELINSKI, KALLIL M.C. ; RIBAS, LUCAS C. ; MACHICAO, JEANETH ; BRUNO, ODEMIR M. . A network classification method based on density time evolution patterns extracted from network automata. PATTERN RECOGNITION , v. 146, p. 109946, 2023.

• RIBAS, LUCAS C. ; RIAD, RABIA ; JENNANE, RACHID ; BRUNO, ODEMIR M. . A complex network based approach for knee Osteoarthritis detection: Data from the Osteoarthritis initiative. Biomedical Signal Processing and Control , v. 71, p. 103133, 2022.

• RIBAS, LUCAS C. ; SÁ JUNIOR, JARBAS JOACI DE MESQUITA ; Manzanera, Antoine ; BRUNO, ODEMIR M. . Learning graph representation with Randomized Neural Network for dynamic texture classification. APPLIED SOFT COMPUTING , v. 114, p. 108035, 2022.

• RODRIGUES, VALQUIRIA C. ; SOARES, JULIANA C. ; SOARES, ANDREY C. ; BRAZ, DANIEL C. ; MELENDEZ, MATIAS ELISEO ; RIBAS, LUCAS C. ; SCABINI, LEONARDO F.S. ; BRUNO, ODEMIR M. ; CARVALHO, ANDRE LOPES ; REIS, RUI MANUEL ; SANFELICE, RAFAELA C. ; OLIVEIRA, OSVALDO N. . Electrochemical and optical detection and machine learning applied to images of genosensors for diagnosis of prostate cancer with the biomarker PCA3. TALANTA , v. 222, p. 121444, 2021.

• SCABINI, LEONARDO F.S. ; RIBAS, LUCAS C. ; NEIVA, MARIANE B. ; JUNIOR, ALTAMIR G.B. ; FARFÁN, ALEX J.F. ; BRUNO, ODEMIR M. . Social interaction layers in complex networks for the dynamical epidemic modeling of COVID-19 in Brazil. PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS , v. 564, p. 125498, 2021.

• SOARES, JULIANA COATRINI ; SOARES, ANDREY COATRINI ; RODRIGUES, VALQUIRIA CRUZ ; OITICICA, PEDRO RAMON ALMEIDA ; RAYMUNDO-PEREIRA, PAULO AUGUSTO ; BOTT-NETO, JOSÉ LUIZ ; BUSCAGLIA, LORENZO A. ; DE CASTRO, LUCAS DANIEL CHIBA ; RIBAS, LUCAS C. ; SCABINI, LEONARDO ; BRAZACA, LAÍS C. ; CORREA, DANIEL S. ; MATTOSO, LUIZ HENRIQUE C. ; DE OLIVEIRA, MARIA CRISTINA FERREIRA ; DE CARVALHO, ANDRÉ CARLOS PONCE LEON FERREIRA ; CARRILHO, EMANUEL ; BRUNO, ODEMIR M. ; MELENDEZ, MATIAS ELISEO ; OLIVEIRA, OSVALDO N. . Detection of a SARS-CoV-2 sequence with genosensors using data analysis based on information visualization and machine learning techniques. Materials Chemistry Frontiers , v. 5, p. 5658-5670, 2021.

• SCABINI, LEONARDO F.S. ; RIBAS, LUCAS C. ; BRUNO, ODEMIR M. . Spatio-spectral networks for color-texture analysis. INFORMATION SCIENCES , v. 515, p. 64-79, 2020.

• RIBAS, LUCAS C. ; MACHICAO, JEANETH ; BRUNO, ODEMIR M. . Life-Like Network Automata descriptor based on binary patterns for network classification. INFORMATION SCIENCES , v. 515, p. 156-168, 2020.

• RIBAS, LUCAS C. ; BRUNO, ODEMIR M. . Dynamic texture analysis using networks generated by deterministic partially self-avoiding walks. PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS , v. 541, p. 122105, 2020.

• RIBAS, LUCAS C. ; DE MESQUITA SÁ JUNIOR, JARBAS JOACI ; SCABINI, LEONARDO ; BRUNO, ODEMIR M. . Fusion of complex networks and randomized neural networks for texture analysis. PATTERN RECOGNITION , v. 103, p. 107189, 2020.

• JUNIOR, JARBAS JOACI DE MESQUITA SÁ ; RIBAS, LUCAS CORREIA ; BRUNO, ODEMIR MARTINEZ . Randomized neural network based signature for dynamic texture classification. EXPERT SYSTEMS WITH APPLICATIONS , v. 135, p. 194-200, 2019.

• RIBAS, LUCAS C. ; GONÇALVES, WESLEY N. ; BRUNO, ODEMIR M. . Dynamic texture analysis with diffusion in networks. DIGITAL SIGNAL PROCESSING , v. 92, p. 109-126, 2019.

• MACHICAO, JEANETH ; RIBAS, LUCAS C. ; SCABINI, LEONARDO F.S. ; BRUNO, ODERMIR M. . Cellular automata rule characterization and classification using texture descriptors. PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS , v. 497, p. 109-117, 2018.

• RIBAS, LUCAS CORREIA ; NEIVA, MARIANE BARROS ; BRUNO, ODEMIR MARTINEZ . Distance Transform Network for Shape Analysis. INFORMATION SCIENCES , v. 470, p. 28-42, 2018.

• RIBAS, LUCAS CORREIA ; GONÇALVES, DIOGO NUNES ; DE ANDRADE SILVA, JONATHAN ; ANTÔNIO DE CASTRO, AMAURY ; BRUNO, ODEMIR MARTINEZ ; GONÇALVES, WESLEY NUNES . Fractal dimension of bag-of-visual words. PATTERN ANALYSIS AND APPLICATIONS , v. 22, p. 89-98, 2018.

• RIBAS, LUCAS CORREIA ; GONÇALVES, DIOGO NUNES ; ORUÊ, JONATAN PATRICK MARGARIDO ; GONÇALVES, WESLEY NUNES . Fractal dimension of maximum response filters applied to texture analysis. PATTERN RECOGNITION LETTERS , v. 65, p. 116-123, 2015.

• MATERON, E. M. ; BENVENUTO, F. S. R. S. ; RIBAS, L. C. ; JOSHI, N. ; BRUNO, O. M. ; CARRILHO, E. ; OLIVEIRA JR., OSVALDO N. . Recent Advances in Machine Learning for Electrochemical, Optical, and Gas Sensors. In: Nirav Joshi, Vinod Kushvaha, Priyanka Madhushri. (Org.). Machine Learning for Advanced Functional Materials. 1ed.Singapore: Springer, 2023, v. , p. 117-138.

• FARES, RICARDO ; GUERRA, LUAN ; RIBAS, LUCAS . Exploring Local Graphs via Random Encoding for Texture Representation Learning. In: 20th International Conference on Computer Vision Theory and Applications, 2025, Porto. Proceedings of the 20th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, 2025. v. 3. p. 200-209.

• FARES, RICARDO ; RIBAS, LUCAS . Volumetric Color-Texture Representation for Colorectal Polyp Classification in Histopathology Images. In: 20th International Conference on Computer Vision Theory and Applications, 2025, Porto. Proceedings of the 20th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, 2025. v. 3. p. 210-221.

• FARES, R. T. ; RIBAS, LUCAS C. . A New Approach to Learn Spatio-Spectral Texture Representation with Randomized Networks: Application to Brazilian Plant Species Identification. In: 25th International Conference on Engineering Applications of Neural Networks (EANN), 2024, Corfu, Grécia. Engineering Applications of Neural Networks. Communications in Computer and Information Science,, 2024. v. 2141.

• FARES, RICARDO T. ; VICENTIM, ANA CATARINA M. ; SCABINI, LEONARDO ; ZIELINSKI, KALLIL M. ; JENNANE, RACHID ; BRUNO, ODEMIR M. ; RIBAS, LUCAS C. . Randomized Encoding Ensemble: A New Approach for Texture Representation. In: 2024 31st International Conference on Systems, Signals and Image Processing (IWSSIP), 2024, Graz. 2024 31st International Conference on Systems, Signals and Image Processing (IWSSIP), 2024. p. 1.

• ZIELINSKI, KALLIL M. C. ; SCABINI, LEONARDO ; RIBAS, LUCAS C. ; BRUNO, ODEMIR M. . Exploring neighborhood variancy for rule search optimization in Life-like Network Automata. In: 2024 14th International Conference on Pattern Recognition Systems (ICPRS), 2024, London. 2024 14th International Conference on Pattern Recognition Systems (ICPRS), 2024. p. 1.

• SCABINI, LEONARDO ; ZIELINSKI, KALLIL ; FARES, RICARDO ; KONUK, EMIR ; MIRANDA, GISELE ; KOLB, ROSANA ; RIBAS, LUCAS ; BRUNO, ODEMIR . Deep Texture Feature Aggregation on Leaf Microscopy Images for Brazilian Plant Species Recognition. In: ICMLT 2024: 2024 9th International Conference on Machine Learning Technologies, 2024, Oslo Norway. 2024 9th International Conference on Machine Learning Technologies (ICMLT). p. 209.

• FARES, RICARDO T. ; RIBAS, LUCAS C. . Randomized Autoencoder-based Representation for Dynamic Texture Recognition. In: 2024 31st International Conference on Systems, Signals and Image Processing (IWSSIP), 2024, Graz. 2024 31st International Conference on Systems, Signals and Image Processing (IWSSIP), 2024. p. 1.

• SCABINI, LEONARDO ; RIBAS, LUCAS C. ; RIBEIRO, E. ; BRUNO, O. M. . Deep Topological Embedding with Convolutional Neural Networks for Complex Network Classification. In: International School and Conference on Network Science, 2022, Porto, Portugal. Lecture Notes in Computer Science, 2022.

• RIBAS, LUCAS C. ; SCABINI, LEONARDO ; BRUNO, ODEMIR M. . A complex network approach for fish species recognition based on otolith shape. In: 2022 Eleventh International Conference on Image Processing Theory, Tools and Applications (IPTA), 2022, Salzburg. 2022 Eleventh International Conference on Image Processing Theory, Tools and Applications (IPTA), 2022. p. 1-5.

• ZIELINSKI, KALLIL M. C. ; RIBAS, LUCAS C. ; Scabini, Leonardo F. S. ; BRUNO, ODEMIR M. . Complex Texture Features Learned by Applying Randomized Neural Network on Graphs. In: 2022 Eleventh International Conference on Image Processing Theory, Tools and Applications (IPTA), 2022, Salzburg. 2022 Eleventh International Conference on Image Processing Theory, Tools and Applications (IPTA), 2022. p. 1-6.

• RIBAS, L. C. ; MANZANERA, A. ; BRUNO, O. M. . A Fractal-Based Approach to Network Characterization Applied to Texture Analysis. In: Computer Analysis of Images and Patterns (CAIP), 2019, Salerno. Lecture Notes in Computer Science. Cham: Springer International Publishing, 2019. v. 11678. p. 129-140.

• RIBAS, L. C. ; BRUNO, ODEMIR M. . Deterministic Partially Self-avoiding Walks on Networks for Natural Shapes Classification. In: 23rd Iberoamerican Congress on Pattern Recognition (CIARP), 2019, Madrid. Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications. Cham: Springer International Publishing, 2019. v. 11401. p. 436-443.

• RIBAS, L. C. ; BRUNO, ODEMIR M. . Dynamic Texture Classification Using Deterministic Partially Self-avoiding Walks on Networks. In: 20th International Conference on Image Analysis and Processing (ICIAP), 2019, Trento. Image Analysis and Processing, ICIAP 2019. Cham: Springer International Publishing, 2019. v. 11751. p. 82-93.

• SCABINI, LEONARDO F.S. ; Condori, Rayner H. M. ; RIBAS, L. C. ; BRUNO, O. M. . Evaluating Deep Convolutional Neural Networks as Texture Feature Extractors. In: 20th International Conference on Image Analysis and Processing (ICIAP), 2019, Trento. Image Analysis and Processing ? ICIAP 2019. Cham: Springer International Publishing, 2019. v. 11752. p. 192-202.

• BORTH, M. R. ; RIBAS, L. C. ; PISTORI, H. ; GONCALVES, W. N. ; CASTRO JUNIOR, A. A. . Classificação de espécies de peixe usando inferência gramatical no reconhecimento de padrões em problemas de Visão Computacional. In: X Workshop de Tecnologia Adaptativa - WTA 2016., 2016, São Paulo. Memórias do X Workshop de Tecnologia Adaptativa - WTA 2016., 2016. p. 60-69.

• RIBAS, L. C. ; BRUNO, O. M. . Fast deterministic tourist walk for texture analysis. In: XII Workshop de Visão Computacional (WVC), 2016, Campo Grande-MS. Proceedings of XII Workshop de Visão Computacional, 2016. p. 45-50.

• RIBAS, L. C. ; GONCALVES, W. N. ; BRUNO, O. M. . Texture analysis using deterministic partially self-avoiding walk with thresholds. In: Proceedings of XII Workshop de Visão Computacional, 2016, Campo Grande-MS. Proceedings of XII Workshop de Visão Computacional, 2016. p. 39-44.

• GOMES, R. C. ; RIBAS, L. C. ; CASTRO JUNIOR, A. A. ; GONCALVES, W. N. . CPPP/UFMS at ImageCLEF 2014: Robot Vision Task. In: CLEF 2014 Conference, 2014, Sheffield, UK. Working Notes for CLEF 2014 Conference, 2014. v. 1180. p. 348-354.

• RIBAS, L. C. ; BORTH, M. R. ; CASTRO JUNIOR, A. A. ; GONCALVES, W. N. ; PISTORI, H. . Grammatical Inference and SIFT for Scene Recognition. In: X Workshop de Visão Computacional, 2014, Uberlândia/MG. Proceedings of X Workshop de Visão Computacional, 2014. p. 293-298.

• RIBAS, LUCAS C. . Volumetric Color-Texture Representation for Colorectal Polyp Classification in Histopathology Images. 2025. (Apresentação de Trabalho/Congresso).

• RIBAS, LUCAS C. . Exploring Local Graphs via Random Encoding for Texture Representation Learning. 2025. (Apresentação de Trabalho/Congresso).

• RIBAS, LUCAS C. . Randomized Encoding Ensemble: A New Approach for Texture Representation. 2024. (Apresentação de Trabalho/Congresso).

• RIBAS, L. C. . Randomized Autoencoder-Based Representation for Dynamic Texture Recognition. 2024. (Apresentação de Trabalho/Congresso).

• RIBAS, L. C. . A new approach to learn spatio-spectral texture representation with randomized networks: Application to Brazilian plant species identificati. 2024. (Apresentação de Trabalho/Congresso).

• RIBAS, L. C. . Participação de Mesa Redonda 'Impacto da Inteligência Artificial na Área de Física'. 2024. (Apresentação de Trabalho/Conferência ou palestra).

• RIBAS, L. C. . Palestra Transformação nas Engenharias - Impacto das Tecnologias e da IA. 2024. (Apresentação de Trabalho/Conferência ou palestra).

• RIBAS, L. C. . Palestra 'Redes neurais artificiais e sistemas complexos para análise de imagens'. 2024. (Apresentação de Trabalho/Conferência ou palestra).

• RIBAS, L. C. . Palestra Inteligência Artificial e Chat GPT - Como Usar?. 2023. (Apresentação de Trabalho/Conferência ou palestra).

• RIBAS, LUCAS C. ; MANZANERA, A. ; BRUNO, ODEMIR M. . A Fractal-Based Approach to Network Characterization Applied to Texture Analysis. 2019. (Apresentação de Trabalho/Congresso).

• RIBAS, LUCAS C. ; BRUNO, ODEMIR M. . Dynamic Texture Classification Using Deterministic Partially Self-avoiding Walks on Networks. 2019. (Apresentação de Trabalho/Congresso).

• RIBAS, LUCAS C. ; BRUNO, ODEMIR M. . Deterministic Partially Self-avoiding Walks on Networks for Natural Shapes Classification. 2018. (Apresentação de Trabalho/Congresso).

• RIBAS, L. C. . Fast deterministic tourist walk for texture analysis. 2016. (Apresentação de Trabalho/Congresso).

• RIBAS, L. C. . Texture analysis using deterministic partially self-avoiding walk with thresholds. 2016. (Apresentação de Trabalho/Congresso).

• RIBAS, L. C. ; SANTOS, G. M. ; GONCALVES, W. N. ; CASTRO JUNIOR, A. A. . Utilização do Algoritmo SIFT para Reconhecimento de Cenas por Meio de Inferência Gramatical. 2014. (Apresentação de Trabalho/Congresso).

• RIBAS, L. C. ; BORTH, M. R. ; CASTRO JUNIOR, A. A. ; GONCALVES, W. N. ; PISTORI, H. . Grammatical Inference and SIFT for Scene Recognition. 2014. (Apresentação de Trabalho/Congresso).

• RIBAS, L. C. ; CASTRO JUNIOR, A. A. . Laboratório de Robótica de Ponta Porã. 2013. (Apresentação de Trabalho/Congresso).

• RIBAS, L. C. . Robótica. 2013. (Apresentação de Trabalho/Conferência ou palestra).

Outras produções

Projetos de pesquisa

• 2025 - Atual

  Desenvolvimento de técnicas de reconhecimento de padrões com redes neurais artificiais e sistemas complexos com aplicações em análise de imagens - TRIENAL, Descrição: Resumo projeto de pesquisa trienal UNESP. O reconhecimento de padrões em imagens é um campo central da visão computacional, com impacto direto em áreas como medicina, ciência dos materiais, agricultura e aplicações móveis. Apesar dos avanços recentes com redes neurais profundas e transformadores visuais, ainda existem desafios relevantes, como o alto custo computacional, a necessidade de grandes volumes de dados anotados e a dificuldade de caracterizar padrões visuais complexos em cenários reais. Este projeto propõe o desenvolvimento de novas metodologias para análise e reconhecimento de imagens, empregando abordagens baseadas em redes neurais artificiais (incluindo redes convolucionais, randomizadas e vision transformers) e em sistemas complexos (como redes complexas e caminhadas determinísticas). Além disso, também pretende-se investigar a integração entre esses paradigmas, permitindo explorar tanto a robustez e eficiência de arquiteturas neurais modernas quanto o poder descritivo das técnicas de sistemas complexos, promovendo um equilíbrio entre desempenho, interpretabilidade e custo computacional. Serão exploradas estratégias de aprendizado auto-supervisionado e de extração de representações visuais robustas para caracterização de padrões texturais complexos, com foco em domínios desafiadores, como imagens médicas, de materiais avançados (sensores, biossensores, nanomateriais) e de plantas, onde há padrões texturais sutis, estruturas microtexturais e disponibilidade limitada de dados. Além da contribuição metodológica, o projeto visa aplicações práticas em parceria com outros pesquisadores. Assim, espera-se contribuir para o avanço teórico na área de visão computacional e aprendizado de máquina, ao mesmo tempo em que se desenvolvem ferramentas computacionais eficazes e acessíveis, capazes de atender demandas reais em diferentes áreas científicas e tecnológicas. Palavras-chave: Visão Computacional; Redes Neurais Artificiais; Sistemas Complexos; Reconhecimento de Padrões; Aprendizado de Representações.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (10) / Mestrado acadêmico: (6) . , Integrantes: Lucas Correia Ribas - Coordenador.

• 2024 - Atual

  Cortex: IA Generativa aplicada à base de operações diárias de Poços, Descrição: Respostas a perguntas no domínio de petróleo utilizando grandes modelos de línguas. Este projeto visa o ajuste de grandes modelos de língua para a língua portuguesa no domínio de petróleo e gás.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Lucas Correia Ribas - Integrante / ARNALDO CANDIDO JÚNIOR - Coordenador / Wallace Correa de Oliveira Casaca - Integrante.

• 2023 - Atual

  Reconhecimento de padrões em imagens baseado em redes neurais artificiais e sistemas complexos: da extração de descritores manuais ao aprendizado automático, Descrição: O reconhecimento de padrões em imagens é um tópico chave da visão computacional, envolvendo a análise de características visuais (como textura, cor e forma) e tendo aplicações variadas. Atualmente, existem dois paradigmas principais de métodos, com vantagens e desvantagens: o clássico, que usa descritores manuais e exigem maior conhecimento de domínio, e abordagens baseadas em aprendizado automático com Redes Neurais Artificiais (RNAs). Métodos clássicos utilizam modelos matemáticos ou estatísticos e são úteis em cenários com poucos dados, hardware limitado e maior necessidade de interpretabilidade. Já abordagens baseadas em aprendizado, como redes neurais convolucionais, ganharam popularidade pela capacidade de aprender características relevantes a partir de grandes volumes de dados e alto desempenho de classificação. Este projeto propõe o estudo e desenvolvimento de métodos de reconhecimento de padrões em imagens baseados em ambos os paradigmas, utilizando técnicas de sistemas complexos e RNAs para propor métodos que melhorem a tarefa de reconhecimento. Mais especificamente, pretende-se focar em duas abordagens de sistemas complexos: redes complexas e caminhadas determinísticas. Tais abordagens descrevem com precisão a irregularidade ou homogeneidade das estruturas em imagens, relevante para visão natural e artificial, auxiliando na análise de imagens da natureza ou oriundas de fenômenos não-lineares. Em RNAs, serão estudadas as Redes Neurais Randomizadas, Convolucionais e Vision Transformers, explorando o potencial de cada arquitetura no reconhecimento de padrões em imagens e sistemas complexos. Assim, este projeto também pode explorar a simbiose entre RNAs e sistemas complexos, investigando e interpretando as redes neurais sob a perspectiva de sistemas complexos, o que torna o uso dessas abordagens para reconhecimento de padrões uma linha natural de pesquisa, conforme destacado por alguns estudos. Além da frente teórica, como forma de contribuir em outras áreas, outra meta é aplicar os métodos desenvolvidos em dados de problemas reais gerados por parceiros, especialmente em imagens de materiais (sensores e biossensores), plantas e médicas. Portanto, ressalta-se que o projeto busca criar uma interação entre aplicação e teoria, testando métodos genéricos em problemas específicos e, simultaneamente, permitindo que esses problemas inspirem novas linhas teóricas, avançando o conhecimento em ambas as frentes. Processo FAPESP 2023/04583-2.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (1) . , Integrantes: Lucas Correia Ribas - Coordenador / Odemir Martinez Bruno - Integrante / Joao Batista Florindo - Integrante / Antoine Manzanera - Integrante / JENNANE, RACHID - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.

• 2022 - 2022

  Aprendizado de representações usando redes neurais artificiais e redes complexas com aplicações em sensores e biossensores, Descrição: Grandes esforços têm sido feitos por pesquisadores de diferentes áreas para o desenvolvimento de sensores e biossensores para diversas finalidades tais como diagnóstico precoce de câncer, detecção de contaminação em alimentos/água, etc. Nesse sentido, muitos pesquisadores têm se concentrado no desenvolvimento de novas estratégias de detecção e diagnóstico de baixo custo. Particularmente, resultados promissores têm sido alcançados usando técnicas de aprendizado de máquina e visão computacional em imagens de unidades sensoriais. Embora muito trabalhos tenham empregado técnicas de visão computacional em imagens biológicas, ainda não há até o momento muitos estudos na literatura que exploram imagens de sensores e biossensores. Este projeto de pós-doutorado visa desenvolver novas abordagens de aprendizado de representações para caracterização de imagens usando redes neurais artificias (RNAs) e redes complexas com aplicação em imagens de sensores e biossensores. Em relação aos aspectos de pesquisa para o desenvolvimento dos métodos computacionais para caracterização de imagens, pretende-se investigar formas de aprender representações (i.e., vetores de características) com RNAs usando como fonte de entrada atributos da (ou a própria) imagem ou da rede complexa modelada de modo combinado. Em especial, as redes complexas se destacam pela capacidade de modelar padrões complexos de texturas que são observados nas imagens de unidades sensoriais. Com relação as RNAs, além das redes neurais profundas, serão investigadas as redes neurais randomizadas pela simplicidade, alto desempenho preditivo e algoritmo de aprendizado rápido. Ressalta-se também a arquitetura vision transformers que apesar dos resultados promissores em recentes trabalhos de reconhecimento de cenas/objetos, ainda não foram exploradas a fundo em problemas de análise de imagens textura e microscopia e de redes complexas. Os métodos computacionais desenvolvidos serão empregados para caracterização das imagens de unidades sensoriais visando a concepção de novas estratégias para aplicações tal como diagnóstico precoce de câncer e detecção de vírus ou contaminações. Tais dados serão gerados e fornecidos pelos diversos colaboradores do projeto temático financiado pela FAPESP (processo, 2018/22214-6) em que este projeto de pós-doutorado está vinculado. Espera-se que esta pesquisa resulte em contribuições relevantes no âmbito computacional com novas técnicas para análise de imagens e também relacionado com as áreas de físico-química e aplicações com novas estratégias de detecção e diagnóstico. Salienta-se que essa segunda contribuição é congruente com os objetivos do projeto temático. Processo FAPESP 2021/07289-2. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Lucas Correia Ribas - Integrante / BRUNO, ODEMIR M. - Coordenador., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Bolsa.

• 2022 - Atual

  Grupo de Reconhecimento de Padrões e Análise de Imagens, Descrição: Este grupo busca avançar no desenvolvimento científico em visão computacional e reconhecimento de padrões, utilizando redes neurais e sistemas complexos para criar métodos inovadores aplicáveis em áreas como física, química, medicina e ciência dos materiais. Os resultados esperados incluem: 1) Metodologias Computacionais Avançadas: inovação no reconhecimento de padrões, superando o estado da arte em precisão, eficiência e desempenho com poucos dados; 2) Aplicações Práticas: desenvolvimento de sistemas de detecção rápidos e econômicos, beneficiando áreas como a medicina, com soluções acessíveis e de baixo custo. Além disso, o grupo contribui para a formação de alunos de graduação e pós-graduação, publicando regularmente em conferências e periódicos de impacto. Recentemente, um trabalho recebeu Menção Honrosa no Congresso de Iniciação Científica da UNESP. O grupo também tem sucesso na captação de recursos junto a agências de fomento, fortalecendo suas atividades científicas e inovações. Grupo CNPq: dgp.cnpq.br/dgp/espelhogrupo/4558933051684335. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (4) / Mestrado acadêmico: (1) . , Integrantes: Lucas Correia Ribas - Coordenador / ARNALDO CANDIDO JÚNIOR - Integrante.

• 2020 - Atual

  Rumo à convergência de tecnologias: de sensores e biossensores à visualização de informação e aprendizado de máquina para análise de dados em diagnóstico clínico, Descrição: Grandes desafios, como a fabricação de dispositivos sensores para diagnóstico precoce de câncer e detecção de contaminação de alimentos / água, só podem ser abordados com esforços conjuntos em pesquisas multidisciplinares. Problemas selecionados dentro dos desafios acima serão abordados neste projeto por uma equipe multiinstitucional de físicos, químicos, engenheiros, médicos e cientistas da computação, com dois tópicos unificadores: fabricação e caracterização de filmes nanoestruturados, particularmente aqueles de interesse biológico, e dados avançados. métodos de análise. Mais especificamente, vários tipos de filmes nanoestruturados serão empregados em sensoriamento e biosensing. Um dos principais objetivos em tais estudos é alcançar a compreensão em nível molecular dos mecanismos responsáveis pelas características sensoriais, incluindo efeitos de interface para projetar baterias orgânicas para fornecer energia em biossensores implantáveis. Este tipo de pesquisa básica é essencial para o design de novos materiais e ferramentas para diagnóstico e terapia. As aplicações pretendidas para os dispositivos também são diversas, concentrando-se principalmente no diagnóstico precoce do câncer, na detecção de contaminação de alimentos e água e no monitoramento do meio ambiente. Especial ênfase será colocada na fabricação de dispositivos de baixo custo, não apenas com novos materiais, mas também explorando metodologias como a microfluídica, em uma tentativa de produzir tecnologia que deve ser passível de transferência, por ex. para testes em um hospital de câncer. As enormes quantidades de dados gerados com sensores, biosensores e imagens serão processados com métodos estatísticos e computacionais, incluindo visualização de informação e aprendizado de máquina. Isso representará um passo em direção ao diagnóstico assistido por computador, através do qual dados de naturezas distintas são analisados dentro de uma estrutura comum. Processo FAPESP 2018/22214-6. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Lucas Correia Ribas - Integrante / Odemir Martinez Bruno - Integrante / OLIVEIRA, OSVALDO N. - Coordenador / MATTOSO, LUIZ HENRIQUE C. - Integrante / Carlos José Leopoldo Constantino - Integrante / Maria Cristina Ferreira de Oliveira - Integrante / Debora Goncalves - Integrante / Frank Nelson Crespilho - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.

• 2020 - Atual

  Explorando um paradigma de geração de imagens quânticas para aplicações em imagens biomédicas e agricultura, Descrição: O National Quantum Initiative Act foi assinado no mês passado nos EUA. O projeto de lei delineará um plano de 10 anos para promover aplicações usando a ciência contra-intuitiva de partículas subatômicas. A Texas A & M University (TAMU) está avançando em direção à aplicação da ciência quântica e tecnologia para imagens e sensores aprimorados. O investigador, Dr. Yakovlev, é atualmente apoiado na área de imagem quântica e detecção quântica pelas concessões AFOSR e DARPA. É amplamente aceito que estados de luz quânticos especialmente preparados permitem melhor sensibilidade e melhor resolução da imagem óptica, o que é especialmente crítico para avaliar a estrutura e função biológica sem interferir com quaisquer vias fisiológicas. O laboratório do Dr. Yakovlev está na vanguarda do desenvolvimento de novos métodos para espectroscopia, detecção e geração de imagens, que são baseados nesses estados quânticos da matéria. Ao mesmo tempo, abordagens tradicionais ou "clássicas" para analisar esses sinais e imagens adquiridas com estados quânticos de luz não são diretamente aplicáveis. Dr. Bruno e seu grupo estão trabalhando na vanguarda dos métodos de análise de dados / imagens / sinais e deste modo, sua experiência complementa as experiências do Dr. Yakovlev. Ambos os grupos estão alinhados sinergeticamente para lidar com o problema de sensoriamento quântico e imagens e aplicar esses resultados a importantes problemas de imagens biomédicas e agricultura. Processo FAPESP 2018/23794-6. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Lucas Correia Ribas - Integrante / BRUNO, ODEMIR M. - Coordenador / Vladislav Yakovlev - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Cooperação.

• 2019 - 2019

  Reconhecimento de Padrões em Redes Complexas usando Transformada da Distância, Descrição: Rede complexa está sendo cada vez mais utilizada devido à sua flexibilidade e capacidade de representar e analisar qualquer sistema discreto e muitos tipos de dados. Nesse sentido, o reconhecimento de padrões e as redes complexas surgem como uma alternativa importante na ciência de dados. O reconhecimento de padrões nas redes visa a extração de características para classificar redes em larga escala em várias classes, em vez de se concentrar nas propriedades de topologia de uma rede isolada. Existe uma enorme literatura sobre extração de características e classificação de dados baseada em redes regulares (por exemplo, convolucional). No entanto, apesar dos progressos significativos alcançados, existe uma procura crescente de métodos mais gerais e sofisticados, em particular no caso de dados altamente irregulares ou esparsos. O objetivo desta proposta é o desenvolvimento de métodos para a caracterização da topologia de redes, dando especial atenção às redes que modelam imagem e vídeo. Para tanto, nesta proposta pretende-se investigar diferentes formas de obter recursos de redes utilizando a transformada de distância. Mais precisamente, a transformada da distância será aplicada na rede e as informações sobre as distâncias obtidas (ou rótulos) serão utilizadas para caracterizar diferentes topologias de rede, a fim de realizar tarefas de classificação no contexto do reconhecimento de padrões. Neste projeto de pesquisa, a transformada da distância é então consideradas como a ferramenta fundamental para: (1) extrair características significativas dos dados distribuídos em qualquer tipo de rede e (2) permitir uma rede complexa (irregular, esparso, multi-camadas, etc.) ser processada como uma rede regular.O desenvolvimento de novos métodos para reconhecimento de padrões e análise de redes complexas é uma etapa importante do projeto de doutorado do aluno. Portanto, pretende-se contribuir com métodos para caracterização de redes usando métricas estatísticas e recursos aprendidos (rede neural) a partir das informações da transformada da distância na rede. Os métodos desenvolvidos também contribuirão para o campo de visão computacional e para a ciência de dados, com novos métodos para extração de características e reconhecimento de padrões. Processo FAPESP 2019/03277-0. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Lucas Correia Ribas - Integrante / Odemir Martinez Bruno - Integrante / Antoine Manzanera - Coordenador., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Bolsa.

• 2017 - 2021

  Modelagem e análise de redes complexas para visão computacional, Descrição: As redes complexas têm sido utilizadas como ferramenta de estudo e contribuído em diversas áreas da ciência devido ao seu carácter interdisciplinar e simplicidade conceitual. Em ciência da computação, as redes vêm sendo usada em problemas de arquitetura, inteligência artificial, redes de computadores e visão computacional. No que tange à visão computacional, diversas abordagens têm sido propostas ao longo da última década para reconhecimento de padrões baseado em redes complexas. Tal fato é motivado pela natureza não-linear que muitas imagens apresentam, tornando a utilização de redes complexas uma ferramenta potencial como medida de complexidade. A maior parte dessas abordagens foram proposta por pesquisadores advindos da USP de São Carlos. Os resultados alcançados demonstram grande potencial no uso de redes complexas como ferramenta para o desenvolvimento de novos métodos para visão computacional. O objetivo deste doutorado é estudar e desenvolver novos métodos baseados em redes complexas para visão computacional. Em específico, serão investigados dois problemas de visão computacional que é especialidade do grupo de pesquisa proponente e que vem sendo estudado há mais de uma década: análise de texturas e formas. Deste modo, pretende-se investigar novas metodologias para a modelagem de imagens/vídeos em redes e novos métodos de análise das redes. Em particular, será investigado o uso de autômatos e deep learning como novas ferramentas de análise. Além disso, abordagens existentes serão estudas com o objetivo de identificar possíveis limitações e quando possível, melhorias serão propostas. Como forma de analisar o potencial das abordagens desenvolvidas, serão considerados para aplicação problemas reais de biologia e nanotecnologia no qual o grupo de pesquisa do proponente vem trabalhando. Desta forma, este projeto apresenta uma grande possibilidade de contribuição com novos métodos para a área de visão computacional e, consequentemente, para as áreas de biologia e nanotecnologia. Processo FAPESP 2016/23763-8. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Lucas Correia Ribas - Integrante / Odemir Martinez Bruno - Coordenador., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Bolsa.

• 2017 - 2019

  Deep learning e redes complexas aplicados em visão computacional, Descrição: Redes têm sido usadas com sucesso em muitas áreas do conhecimento, abrangendo praticamente todos os campos da ciência. A principal razão por trás do crescente interesse em redes reside no fato de que elas mostram uma perspectiva diferente das análises de dados tradicionais. Durante séculos, o paradigma de pesquisa científica foi governado por uma abordagem reducionista. Os avanços científicos e tecnológicos aumentaram a quantidade de dados e também incentivaram o desenvolvimento de computadores poderosos, que são capazes de processar e armazenar essa enorme quantidade de dados. Neste cenário, muitas vezes chamado de ''big data'', exige o desenvolvimento de um paradigma integrador da ciência, que é, naturalmente, abordado por redes. Durante as últimas décadas, Reconhecimento de Padrões (RP) tem sido amplamente utilizado em ambas ciências: aplicadas e fundamentais. Notavelmente, a maior parte das aplicações de RP trata de uma grande quantidade de dados, que são difíceis de manipular com a abordagem reducionista. A combinação de RP e redes surge como uma alternativa importante no cenário de big data para encontrar, identificar, analisar, e agrupar padrões que são inviáveis para lidar com outras abordagens. O reconhecimento de padrões em redes visa a caracterização das redes extraindo informações sobre a correlação entre vértices e sua relação com a topologia. Esta informação pode levar à compreensão de padrões de rede que estão intrinsecamente relacionados com o modelo de rede. Devido ao bom desempenho de tarefas de classificação e identificação, deep learning é um campo que atraiu a atenção de pesquisadores de big data e reconhecimento de padrões. Embora métodos de deep learning tem sido aplicados com sucesso em visão computacional e processamento de sinais, a combinação de deep learning e redes é algo muito recente, com muitos poucos trabalhos na literatura. No entanto, é uma pesquisa interessante e promissora. A proposta deste projeto é combinar as redes e deep learning para fins de reconhecimento de padrões em visão computacional. Na última década, o grupo proponente tem desenvolvido métodos para visão de computacional em vários problemas e obteve resultados muito bons com os métodos baseados em redes complexas. Desta forma, escolhemos a visão computacional como um caso de estudo da abordagem proposta: a combinação de deep learning e redes. Na visão computacional, três problemas específicos serão investigados: textura estática, textura dinâmica e análise de contorno de formas. Os resultados obtidos, podem ser usados imediatamente para visão computacional e tem potencial para ser estendido para qualquer aplicação que modela os dados como rede e exigi uma boa abordagem de reconhecimento de padrões. Processo FAPESP 2016/18809-9. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Lucas Correia Ribas - Integrante / Odemir Martinez Bruno - Coordenador / Alexandre Souto Martinez - Integrante / Joao Batista Florindo - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro / IBM BRASIL IND.MAQ. E SERVICOS LTDA (SP) - Auxílio financeiro.

• 2016 - 2019

  Visão Artificial e reconhecimento de padrões aplicados em plasticidade vegetal, Descrição: Plasticidade fenotípica é a habilidade de um organismo em expressar diferentes fenótipos dependendo do ambiente biótico ou abiótico. Nas plantas, a plasticidade fenotípica consiste na capacidade de alterar a sua fisiologia ou morfologia de acordo com as condições do ambiente. Este projeto tem com objetivo utilizar métodos de visão computacional e reconhecimento de padrões para analisar a plasticidade fenotípica de plantas por meio de imagens da superfície de folhas e de cortes histológicos dos órgãos foliares. Estas imagens tem como características apresentarem não-linearidade e a presença de fenômenos complexos. Deste modo, serão utilizados métodos baseados em sistemas complexos para sua análise. São considerados neste projeto métodos baseados em geometria fractal, redes complexas e autômatos. O uso de métodos baseados em sistemas complexos em imagens e reconhecimento de padrões é a especialidade do proponente que investiga o tema há mais de uma década. As aplicações da análise de plasticidade foliar são diversas e abrangem desde áreas teóricas como a botânica e fisiologia vegetal à aplicadas como biotecnologia e agricultura. Processo FAPESP 2014/08026-1. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Lucas Correia Ribas - Integrante / Odemir Martinez Bruno - Coordenador / Alexandre Souto Martinez - Integrante / Davi Rodrigo Rossatto - Integrante / Rosana Marta Kolb - Integrante / Pedro Henrique de Cerqueira Luz - Integrante / Joao Batista Florindo - Integrante / Jan Marcel Baetens - Integrante / Antoine Vacavant - Integrante / Francisco Eduardo Gontijo Guimarães - Integrante / Manzanera, Antoine - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.

Prêmios