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

Rodrigo Coelho Barros


Rodrigo Coelho Barros

Pontifícia Universidade Católica do Rio Grande do Sul
Informática

Associated researcher





Information extracted from Lattes platform


Last update: 2021/04/27


Degrees

Ph.D. Ciências da Computação e Matemática Computacional na Universidade de São Paulo em 2013
M.Sc. Ciência da Computação na Pontifícia Universidade Católica do Rio Grande do Sul em 2009
B.Sc. Bacharelado Em Ciência da Computação na Universidade Federal de Pelotas em 2007


Current projects

2020 a AtualIA para o bem-estar social: construção de redes neurais justas, explicáveis, resistentes a fatores de confusão e com supervisão limitada
Redes neurais são as principais responsáveis pela revolução recente da Inteligência Artificial. São mecanismos computacionais inspirados no funcionamento do cérebro humano, onde neurônios artificiais organizados de maneira hierárquica são capazes de aprender a partir de exemplos anotados pelos seres humanos. No meu grupo de pesquisa, buscamos resolver algumas das principais limitações existentes nestes métodos. Queremos entender uma forma de construir redes neurais que sejam justas em suas decisões, ainda que os dados coletados do mundo real possam refletir injustiças, como disparidades raciais ou de gênero. Buscamos, também, por formas de conseguir explicar as decisões que são tomadas, uma vez que redes neurais são consideradas verdadeiras caixas-pretas. Finalmente, queremos descobrir como as redes podem aprender em cenários onde não existem muitos dados anotados pelo ser humano, o que é o caso da esmagadora maioria dos dados disponíveis hoje em dia
Integrantes: Rodrigo Coelho Barros (coordenador).
2019 a AtualImproving Pathology Localization on Chest Radiographs with Limited Supervision via Semi-Supervised Multiple-Instance Learning
As radiografias são exames primários para avaliar as condições do tórax e são frequentemente diagnosticadas incorretamente devido à erros de observação. Na prática clínica, abordagens de deep learning têm sido cada vez mais utilizadas para apoiar radiologistas no processo de tomada de decisão a fim de melhorar a acurácia diagnóstica. Idealmente, o modelo preditivo deve fornecer mais informações além de um rótulo diagnóstico para apoiar o resultado da classificação, como a localização espacial do achado na radiografia. Há uma grande quantidade de radiografias de tórax disponíveis publicamente, rotuladas de acordo com seus achados radiológicos (rótulos para classificação), mas poucas amostras estão anotadas em relação à localização dos achados. O objetivo do projeto é utilizar uma quantidade limitada de dados anotados em conjunto com grandes quantias de dados não anotados para melhorar os resultados de localização automatizada de patologias em radiografias do tórax, adaptando os métodos estado-da arte de aprendizado semi-supervisionado para realizar o aprendizado de múltiplas instâncias, utilizando datasets de radiografias rotulados com a presença de patologias, mas com suas localizações desconhecidas.
Integrantes: Rodrigo Coelho Barros (coordenador).
2019 a AtualAdaptação de Domínio em Deep Learning para Análise de Imagens Médicas
Modelos de redes neurais profundas (mais conhecidas pelo termo em inglês Deep Learning) têm sido amplamente aplicados em imagens médicas para problemas como segmentação, diagnóstico assistido por computador, registro, dentre vários outros. Algoritmos para Deep Learning são, em geral, treinados sobre conjuntos de dados anotados e preferencialmente aplicados no mesmo contexto em que foram originalmente propostos, seguindo a premissa básica do Aprendizado de Máquina onde os dados são independentes e identicamente distribuídos (iid). Na área de imagens médicas, no entanto, é fundamental que os modelos gerados possam ser abrangentes e robustos a variações nas imagens ocasionadas por fatores externos como troca de equipamento, mudança na calibragem do software de aquisição, variação no nível de contraste, entre outros. Sabe-se que essas variações causam um problema conhecido como domain shift, ou variação de domínio, caracterizado pela diferença da distribuição dos dados referente ao domínio no qual o modelo será aplicado em relação à distribuição do domínio no qual o modelo foi originalmente treinado. Devido a esta discrepância entre domínios, ocorre perda significativa na eficácia dos modelos treinados, impossibilitando a adoção em escala dos mesmos em áreas importantes e estratégicas, como é o caso da análise de imagens médicas. Devido à frequência alta da ocorrência de variações de domínio no contexto médico, este trabalho se propõe a desenvolver novas abordagens para a área de Unsupervised Domain Adaptation, que sejam capazes de explorar as características das imagens médicas para transformar o conhecimento de modelos entre domínios sem qualquer supervisão.
Integrantes: Rodrigo Coelho Barros (coordenador), Christian S Perone, Pedro Lemos Ballester, Julien Cohen-Adad.
2017 a AtualRedes Neurais Profundas e suas Aplicações
Redes neurais profundas são as responsáveis pelo novo ciclo de crescimento da Inteligência Artificial na última década. Seu desenvolvimento foi permitido graças a novas técnicas para que se fosse evitado o problema do desaparecimento do gradiente ao se aumentar o número de camadas das arquiteturas, bem como à disponibilidade atual de gigantescas bases de dados rotuladas e ao surgimento de novos processadores gráficos especializados para tornar o treinamento viável. Este projeto tem por objetivo o desenvolvimento de redes neurais profundas em quatro frentes de trabalhos diferentes: (i) análise de conteúdo impróprio; (ii) classificação de gêneros de filmes e geração automática de sinopses; (iii) sistemas de recomendação baseados em imagens; e (iv) predição de função de proteínas.
Integrantes: Rodrigo Coelho Barros (coordenador).

Current applied research projects

2018 a AtualShell Startup Challenge Brazil
Predictive Analysis and Data Visualization Platform based on Deep Learning
Integrantes: Rodrigo Coelho Barros (coordenador), Christian Vahl Quevedo, Jônatas Wehrmann, Douglas Matos de Souza.
See all projects in Lattes

Recent publications

Articles in journals

Texture-based Feature Extraction for COVID-19 Pneumonia Classification using Chest Radiography
2021. EAI Endorsed Transactions on Bioengineering and Bioinformatics.
An extensive experimental evaluation of automated machine learning methods for recommending classification algorithms
2020. Evolutionary Intelligence (Print).
Machine learning and big data analytics in bipolar disorder: A Position paper from the International Society for Bipolar Disorders (ISBD) Big Data Task Force
2019. Bipolar Disorders.
CrowdEst: a method for estimating (and not simulating) crowd evacuation parameters in generic environments
2019. VISUAL COMPUTER.
Unsupervised domain adaptation for medical imaging segmentation with self-ensembling
2019. NEUROIMAGE.
Inducing Hierarchical Multi-label Classification rules with Genetic Algorithms
2019. APPLIED SOFT COMPUTING.
Improving Action Recognition using Temporal Regions
2018. Journal of Information and Data Management - JIDM.
Order embeddings and character-level convolutions for multimodal alignment
2018. PATTERN RECOGNITION LETTERS.
Movie Genre Classification: A Multi-Label Approach based on Convolutions through Time
2017. APPLIED SOFT COMPUTING.
Adult content detection in videos with convolutional and recurrent neural networks
2017. NEUROCOMPUTING.
Reduction strategies for hierarchical multi-label classification in protein function prediction
2016. BMC Bioinformatics.

Papers in conferences

Model Compression in Object Detection
2021. International Joint Conference on Neural Networks.
Augmented Behavioral Cloning from Observation
2020. International Joint Conference on Neural Networks.
Can We Trust Deep Learning Based Diagnosis? The Impact of Domain Shift in Chest Radiograph Classification
2020. International Workshop on Thoracic Image Analysis.
An Experimental Analysis of Model Compression Techniques for Object Detection
2020. Symposium on Knowledge Discovery, Mining and Learning (KDMiLe).
How Does Computer Animation Affect our Perception of Emotions in Video Summarization?
2020. International Symposium on Visual Computing.
A Novel Approach to Differentiate COVID-19 Pneumonia in Chest X-ray
2020. IEEE International Conference on BioInformatics and BioEngineering.
Semi-supervised classification of chest radiographs
2020. Medical Image Learning with Less Labels and Imperfect Data workshop.
Imitating Unknown Policies via Exploration
2020. British Machine Vision Conference.
An Evolutionary Algorithm for Learning Interpretable Ensembles of Classifiers
2020. Brazilian Conference on Intelligent Systems (BRACIS 2020).
Component Analysis for Visual Question Answering Architectures
2020. International Joint Conference on Neural Networks.
Attention-based 3D Object Reconstruction from a Single Image
2020. International Joint Conference on Neural Networks.
Adaptive Cross-modal Embeddings for Image-Text Alignment
2020. AAAI Conference on Artificial Intelligence.
Attention-based Adversarial Training for Seamless Nudity Censorship
2019. International Joint Conference on Neural Networks.
Fast and Efficient Text Classification with Class-based Embeddings
2019. International Joint Conference on Neural Networks.
Language-Agnostic Visual-Semantic Embeddings
2019. International Conference on Computer Vision.
Evaluating the Feasibility of Deep Learning for Action Recognition in Small Datasets
2018. International Joint Conference on Neural Networks.
A Multi-Task Neural Network for Multilingual Sentiment Classification and Language Detection on Twitter
2018. ACM Symposium on Applied Computing.
Fast Self-Attentive Multimodal Retrieval
2018. IEEE Winter Conference on Applications of Computer Vision.
Self-Attention for Synopsis-based Multi-Label Movie Genre Classification
2018. The International Florida Artificial Intelligence Research Society Conference.
Bidirectional Retrieval Made Simple
2018. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Real-Time Detection of Pedestrian Traffic Lights for Visually-Impaired People
2018. International Joint Conference on Neural Networks.
Increasing Boosting Effectiveness with Estimation of Distribution Algorithms
2018. IEEE Congress on Evolutionary Computation.
Seamless Nudity Censorship: an Image-to-Image Translation Approach based on Adversarial Learning
2018. International Joint Conference on Neural Networks.
Hierarchical Multi-Label Classification Networks
2018. International Conference on Machine Learning.
Beating Bomberman with Artificial Intelligence
2018. Encontro Nacional de Inteligência Artificial e Computacional.
Using Scene Context to Improve Action Recognition
2018. beroamerican Congress on Pattern Recognition.
Hierarchical Multi-Label Classification with Chained Neural Networks
2017. ACM Symposium on Applied Computing.
A Character-based Convolutional Neural Network for Language-Agnostic Twitter Sentiment Analysis
2017. International Joint Conference on Neural Networks.
Convolutions through Time for Multi-Label Movie Genre Classification
2017. ACM Symposium on Applied Computing.
A Deep Neural Architecture for Kitchen Activity Recognition
2017. The Florida Artificial Intelligence Research Society Conference (FLAIRS).
Leveraging Deep Visual Features for Content-based Movie Recommender Systems
2017. International Joint Conference on Neural Networks.
Deep Neural Networks for Kitchen Activity Recognition
2017. International Joint Conference on Neural Networks.
Media Professionals' Opinions about Interactive Visualizations of Political Polarization during Brazilian Presidential Campaigns on Twitter
2017. Annual Hawaii International Conference on System Sciences.
Virtual Guide Dog: An Application to Support Visually-Impaired People through Deep Convolutional Neural Networks
2017. International Joint Conference on Neural Networks.
Estimation of Distribution Algorithms for Decision-Tree Induction
2017. IEEE Congress on Evolutionary Computation.
Deep Neural Networks for Handwritten Chinese Character Recognition
2017. Brazilian Conference on Intelligent Systems.
Improving Activity Recognition using Temporal Regions
2017. Symposium on Knowledge Discovery, Mining and Learning.
Character-level Inception for Visual-Semantic Embeddings
2017. The Joint Video and Language Understanding Workshop.
An Efficient Deep Neural Architecture for Multilingual Sentiment Analysis in Twitter
2017. The Florida Artificial Intelligence Research Society Conference (FLAIRS).
Hybrid Activity and Plan Recognition for Video Streams
2017. AAAI Conference on Artificial Intelligence (AAAI-17).
A Meta-Learning Framework for Algorithm Recommendation in Software Fault Prediction
2016. ACM Symposium on Applied Computing.
Medoid-based Data Clustering with Estimation of Distribution Algorithms
2016. ACM Symposium on Applied Computing.
Movie genre classification with Convolutional Neural Networks
2016. 2016 International Joint Conference on Neural Networks (IJCNN).
PASCAL: An EDA for Parameterless Shape-Independent Clustering
2016. IEEE Congress on Evolutionary Computation.
Enhancing Discrimination Power with Genetic Feature Construction: A Grammatical Evolution Approach
2016. IEEE Congress on Evolutionary Computation.
(Deep) Learning from Frames
2016. Brazilian Conference on Intelligent System (BRACIS).
DataSex: um dataset para indução de modelos de classificação para conteúdo adulto
2016. Symposium on Knowledge Discovery, Mining and Learning.
A Hyper-Heuristic Evolutionary Algorithm for Automatically Designing Decision-Tree Algorithms
2012. Genetic and Evolutionary Computation Conference.

Extended abstracts in conferences

Classification of Contractual Conflicts via Learning of Semantic Representations
2019. International Conference on Autonomous Agents and Multiagent Systems.
Unsupervised Domain Adaptation for Medical Imaging Segmentation with Self-Ensembling
2018. Medical Imaging meets NIPS.
Temporal Regions for Activity Recognition
2017. International Conference on Artificial Neural Networks.
Improving the offline clustering stage of data stream algorithms in scenarios with variable number of clusters
2012. the 27th Annual ACM Symposium.
A New Approach for Creating Polar Maps of Three-Dimensional Cardiac Perfusion Images
2007. Brazilian Symposium on Computer Graphics and Image Processing.

Abstracts in conferences

Aprendizado de Máquina em Fluxo Contínuo de Dados Não-Estruturados: Analisando Sentimentos em Tweets
2015. Seminário Interno de Avaliação da Iniciação Científica.
Análise Quantitativa de Imagens de Cintilografia de Perfusão Miocárdica através de Técnicas de Processamento de Imagens
2007. XVI Congresso de Iniciação Científica da UFPel.
Uma nova técnica para a criação de mapas polares para imagens de cintilografia de perfusão miocárdica
2006. XV Congresso de Iniciação Científica da UFPel.

See all publications in Lattes

Current students

MS

Otávio Parraga. Fairness in Language Models. Início: 2021. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
Felipe Roque Tasoniero. Exploring Self-Attention Based Neural Networks for Implicit 3D Object Reconstruction. Início: 2019. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)

PhD

Eduardo Henrique Pais Pooch. Self-Supervised Learning for Medical Imaging. Início: 2021. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
Nathan Schneider Gavenski. Multi-Modal Learning for Sign Language Translation. Início: 2021. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
Martin Duarte Móre. A definir. Início: 2020. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
Juarez Monteiro dos Santos Júnior. Self-Supervised Imitation Learning. Início: 2018. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
Henry Emanuel Leal Cagnini. Evolutionary Algorithms for Supervised Ensemble Learning. Início: 2017. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)

See all students in Lattes