DCC - UFMG
+55 31 3409 5860
ciia-saude@dcc.ufmg.br

Jefersson Alex dos Santos


Jefersson Alex dos Santos

Universidade Federal de Minas Gerais
DCC

Collaborating Researcher





Information extracted from Lattes platform


Last update: 2021/04/12


Degrees

Ph.D. Sciences de l'Information et de la Communication na Université de Cergy-Pontoise em 2013
Ph.D. Ciência da Computação na Universidade Estadual de Campinas em 2013
M.Sc. Ciência da Computação na Universidade Estadual de Campinas em 2009
B.Sc. Ciência da Computação na Universidade Estadual de Mato Grosso do Sul em 2006


Current projects

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[OLACEFS/TCU] Pesquisa de Instrumentos que Permitam Incorporar Geotecnologias no Processo de Seleção de Objetos de Controle
Este projeto de pesquisa visa o desenvolvimento de metodologias no processo de seleção de objetos de auditoria relacionados à área ambiental de interesse de órgãos de controle da América Latina, por meio da Organização Latino-Americana e do Caribe de Entidades Fiscalizadoras Superiores (OLACEFS). As ações focam no uso de métodos de aprendizagem de máquina, em particular Deep Learning com foco em processamento de imagens de satélite. O objetivo é desenvolver e avaliar metodologias em duas aplicações: (1) monitoramento de barragens de rejeitos de minérios; e (2) identificação de desmatamentos na região amazônica por meio de radar.
Integrantes: Jefersson Alex dos Santos (coordenador), Remis Balaniuk.
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.
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[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[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.
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.

Current applied research projects

See all projects in Lattes

Recent publications

Articles in journals

Semantic segmentation of citrus-orchard using deep neural networks and multispectral UAV-based imagery
2021. PRECISION AGRICULTURE.
A genetic algorithm approach for image representation learning through color quantization
2021. MULTIMEDIA TOOLS AND APPLICATIONS.
AiRound and CV-BrCT: Novel Multi-View Datasets for Scene Classification
2021. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.
From video pornography to cancer cells: a tensor framework for spatiotemporal description
2020. MULTIMEDIA TOOLS AND APPLICATIONS.
From 3D to 2D: transferring knowledge for rib segmentation in chest X-rays
2020. PATTERN RECOGNITION LETTERS.
A Soft Computing Approach for Selecting and Combining Spectral Bands
2020. Remote Sensing.
Truly Generalizable Radiograph Segmentation with Conditional Domain Adaptation
2020. IEEE Access.
Facing Erosion Identification in Railway Lines Using Pixel-Wise Deep-Based Approaches
2020. Remote Sensing.
Dynamic Multicontext Segmentation of Remote Sensing Images Based on Convolutional Networks
2019. IEEE Transactions on Geoscience and Remote Sensing.
Spatio-Temporal Vegetation Pixel Classification by Using Convolutional Networks
2019. IEEE Geoscience and Remote Sensing Letters.
A Soft Computing Framework for Image Classification Based on Recurrence Plots
2019. IEEE Geoscience and Remote Sensing Letters.
Magnitude-Orientation Stream network and depth information applied to activity recognition
2019. JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION.
Exploiting ConvNet Diversity for Flooding Identification
2018. IEEE GEOSCIENCE AND REMOTE SENSING LETTERS.
On the ensemble of multiscale object-based classifiers for aerial images: a comparative study
2018. MULTIMEDIA TOOLS AND APPLICATIONS.
Introducing digital cameras to monitor plant phenology in the tropics: applications for conservation
2017. Perspectives in Ecology and Conservation.
Data-Driven Feature Characterization Techniques for Laser Printer Attribution
2017. IEEE Transactions on Information Forensics and Security.
Towards better exploiting convolutional neural networks for remote sensing scene classification
2017. Pattern Recognition.
Phenological visual rhythms: Compact representations for fine-grained plant species identification
2016. Pattern Recognition Letters.
Behavior Knowledge Space-Based Fusion for Copy-Move Forgery Detection
2016. IEEE Transactions on Image Processing.
Pointwise and pairwise clothing annotation: combining features from social media
2016. Multimedia Tools and Applications.
Multi-directional and multi-scale perturbation approaches for blind forensic median filtering detection
2016. Intelligent Data Analysis (Print).
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.
Incorporating multiple distance spaces in optimum-path forest classification to improve feedback-based learning
2012. Computer Vision and Image Understanding (Print).
A relevance feedback method based on genetic programming for classification of remote sensing images
2011. Information Sciences.

Papers in conferences

Water Tanks and Swimming Pools Detection in Satellite Images: Exploiting Shallow and Deep-Based Strategies
2020. Workshop de Visão Computacional.
Brazildam: A Benchmark Dataset For Tailings Dam Detection
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).
Towards Open-Set Semantic Segmentation Of Aerial Images
2020. 2020 IEEE Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS).
Evaluating Deep Contextual Description of Superpixels for Detection in Aerial Images
2019. IGARSS.
SkeleMotion: A New Representation of Skeleton Joint Sequences Based on Motion Information for 3D Action Recognition
2019. The 16-th IEEE International Conference on Advanced Video and Signal-based Surveillance (AVSS).
A Tool for Bridge Detection in Major Infrastructure Works Using Satellite Images
2019. 2019 XV Workshop de Visão Computacional (WVC).
How Effective Is Super-Resolution to Improve Dense Labelling of Coarse Resolution Imagery?
2019. SIBGRAPI.
A Benchmark Methodology for Child Pornography Detection
2018. 2018 31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
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.
Deep Transfer Learning for Segmentation of Anatomical Structures in Chest Radiographs
2018. 2018 31th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Exploring Deep-Based Approaches for Semantic Segmentation of Mammographic Images
2018. CIARP 2018 - XXIII Iberoamerican Congress on Pattern Recognition.
A Comparative Study on Unsupervised Domain Adaptation for Coffee Crop Mapping
2018. CIARP 2018 - XXIII Iberoamerican Congress on Pattern Recognition.
Combination techniques for hyperspectral image interpretation
2017. IGARSS 2017 2017 IEEE International Geoscience and Remote Sensing Symposium.
Deep contextual description of superpixels for aerial urban scenes classification
2017. IGARSS 2017 2017 IEEE International Geoscience and Remote Sensing Symposium.
Fusion of genetic-programming-based indices in hyperspectral image classification tasks
2017. IGARSS 2017 2017 IEEE International Geoscience and Remote Sensing Symposium.
Post classification smoothing in sub-decimeter resolution images with semi-supervised label propagation
2017. IGARSS 2017 2017 IEEE International Geoscience and Remote Sensing Symposium.
Semantic segmentation of vegetation images acquired by unmanned aerial vehicles using an ensemble of ConvNets
2017. IGARSS 2017 2017 IEEE International Geoscience and Remote Sensing Symposium.
Activity Recognition Based on a Magnitude-Orientation Stream Network
2017. 2017 30th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Learning Deep Features on Multiple Scales for Coffee Crop Recognition
2017. 2017 30th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Learning to Combine Spectral Indices with Genetic Programming
2016. 2016 29th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Learning to semantically segment high-resolution remote sensing images
2016. 2016 23rd International Conference on Pattern Recognition (ICPR).
Optical Flow Co-occurrence Matrices: A novel spatiotemporal feature descriptor
2016. 2016 23rd International Conference on Pattern Recognition (ICPR).
A Boosting-Based Approach for Remote Sensing Multimodal Image Classification
2016. 2016 29th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Star: A Contextual Description of Superpixels for Remote Sensing Image Classification
2016. CIARP 2016 - XXI Iberoamerican Congress on Pattern Recognition.
Information Theory-Based Detection of Noisy Bit Planes in Medical Images
2016. 2016 29th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI).
Towards vegetation species discrimination by using data-driven descriptors
2016. 2016 9th IAPR Workshop on Pattern Recogniton in Remote Sensing (PRRS).

Extended abstracts in conferences


Abstracts in conferences

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.

See all publications in Lattes

Current students

MS

Pedro Henrique Araújo. (a definir). Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Bruno Augusto Alemão Monteiro. (a definir). Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Pedro H. T. Gama. Técnicas Semi-Supervisionadas e Não Supervisionadas para Segmentação Semântica. Início: 2019. Universidade Federal de Minas Gerais (Orientador principal)
Gabriel Lucas Silva Machado. Explorando Fusão de Características Para Classificação de Imagens em Múltiplas Visões. Início: 2019. Universidade Federal de Minas Gerais (Orientador principal)
Marcos Felipe Vendramini Carvalho. (a definir). Início: 2019. Universidade Federal de Minas Gerais (Orientador principal)
Jéssica Ferreira Soares. Redes neurais convolucionais para processamento de EEGs. Início: 2018. Universidade Federal de Minas Gerais (Orientador principal)

PhD

Camila Laranjeira da Silva. (a definir). Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)
Matheus Barros Pereira. (a definir). 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)

See all students in Lattes