Redes Convolucionais de Grafos para Classificação e Recuperação de Imagens

Resumo: O avanço exponencial na geração de imagens digitais impõe novos desafios à construção de sistemas eficazes de classificação e recuperação de conteúdo visual. Apesar dos avanços obtidos por técnicas de aprendizado profundo, muitos métodos ainda dependem de grandes volumes de dados rotulados, cuja obtenção é cara, trabalhosa e, muitas vezes, inviável. Nesse cenário, abordagens não supervisionadas e semi-supervisionadas ganham destaque por atenuar essa limitação. Além disso, a maioria dos métodos tradicionais se baseia exclusivamente na análise de similaridade par a par, o que restringe o aproveitamento de informações contextuais. As Redes Convolucionais de Grafos (Graph Convolutional Networks, GCNs) despontam como uma alternativa promissora ao permitir operações de convolução diretamente sobre grafos, capturando relações estruturais complexas entre elementos, além do espaço euclidiano. Embora já amplamente exploradas em domínios como análise de redes sociais e recomendação, sua aplicação em tarefas envolvendo imagens ainda é pouco explorada quando comparada a outros domínios. Nesta palestra, será apresentado como as GCNs podem ser utilizadas em tarefas de classificação e busca de imagens, explorando seus principais benefícios, limitações e desafios. Serão apresentados avanços recentes, estratégias para a construção de grafos a partir de dados visuais, bem como direções promissoras para aplicações em cenários com escassez de dados anotados em diferentes aplicações.

 

Biografia do palestrante: Lucas Pascotti Valem é Professor Doutor no Departamento de Ciência da Computação do Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo (ICMC-USP). Doutor em Ciência da Computação pela Universidade Estadual Paulista (UNESP), realizou doutorado-sanduíche na Temple University (EUA) com apoio da bolsa Fulbright, um dos programas internacionais mais prestigiados de fomento à excelência acadêmica e à cooperação científica entre países. É também Mestre (2019) e Bacharel (2016) em Ciência da Computação pela UNESP. Sua trajetória acadêmica é marcada por distinções relevantes, como o reconhecimento de sua tese de doutorado entre as dez melhores do Brasil no Concurso de Teses e Dissertações da Sociedade Brasileira de Computação (SBC) em 2025, e o segundo lugar no mesmo concurso em 2020, na categoria de mestrado. Entre 2023 e 2025, atuou na liderança de um projeto de pesquisa financiado pela Petrobras voltado à detecção de microfósseis com uso de Inteligência Artificial. Suas áreas de atuação incluem recuperação de informação e de imagens por conteúdo, aprendizado de máquina, visão computacional, aprendizado profundo, processamento de imagens, reconhecimento de padrões e computação paralela. Possui publicações em periódicos e conferências de impacto e mantém colaborações ativas com pesquisadores no Brasil e no exterior.