Hluboké vizuální reprezentace nestrukturovaných dat
Cíle projektu
Předmětem projektu je výzkum a vývoj frameworku pro snadný transfer learning, kdy se obecně předtrénovaný model hluboké konvoluční neuronové sítě (DCNN) použije jako univerzální extraktor vlastností pro vizualizace z různých domén komplexních nestrukturovaných dat. Výsledné vyextrahované deskriptory jsou dále použitelné v návazných úlohách (např. podobnostní dotazování) a dalších fázích řetězce zpracování dat. Hlavním cílem projektu je vytvoření alternativního řešení ke klasickému schématu "drahé" tvorby dedikovaného DCNN modelu s použitím velkého množství trénovacích dat. Místo toho chceme navrhnout framework, který umožní doménovým expertům snadno použít existující předtrénované DCNN modely ve svých specifických doménách bez nutnosti náročného přetrénování. Dalším cílem projektu je pomocí zmíněného frameworku vyvinout doménově nezávislou metriku pro měření kvality datových vizualizací. Jednotná metoda pro stanovení kvality datových vizualizací v různých doménách představuje velmi složitý úkol, a proto taková metrika by byla velkým přínosem pro výzkum v oblasti vizualizace dat.
Klíčová slova
unstructured data representationcontent-based retrievaldata visualizationdeep learningcomputer visionsimilarity searchvisualization quality
Veřejná podpora
Poskytovatel
Grantová agentura České republiky
Program
Standardní projekty
Veřejná soutěž
SGA0202200004
Hlavní účastníci
Univerzita Karlova / Matematicko-fyzikální fakulta
Druh soutěže
VS - Veřejná soutěž
Číslo smlouvy
22-21696S
Alternativní jazyk
Název projektu anglicky
Deep Visual Representations of Unstructured Data
Anotace anglicky
This project aims at investigation and development of framework for instant transfer learning, where a generic pre-trained model of deep convolutional neural network (DCNN) is used as a universal feature extraction method for visualized unstructured data in many (non-visual) domains. The feature descriptors are then used in similarity search tasks (queries, joins) and in other parts of the data processing pipeline. The primary goal of this project is an alternative to the costly and long-lasting step of gathering domain-specific training data and subsequent model assembling and training. Instead, the investigated framework should enable practitioners to instantly use DCNN-based data representations in their new domains without the need of the costly step. The secondary goal of the project aims at developing a versatile metric for measuring quality of data visualization by use of the developed framework. As measuring the quality of data visualization is a difficult task in its complexity, such a metric would be a substantial contribution to the basic research in data visualization.
Vědní obory
Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
OECD FORD - vedlejší obor
—
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory
(dle převodníku)AF - Dokumentace, knihovnictví, práce s informacemi
BC - Teorie a systémy řízení
BD - Teorie informace
IN - Informatika
Termíny řešení
Zahájení řešení
1. 1. 2022
Ukončení řešení
31. 12. 2024
Poslední stav řešení
—
Poslední uvolnění podpory
29. 2. 2024
Dodání dat do CEP
Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP25-GA0-GA-R
Datum dodání záznamu
12. 3. 2025
Finance
Celkové uznané náklady
8 553 tis. Kč
Výše podpory ze státního rozpočtu
7 725 tis. Kč
Ostatní veřejné zdroje financování
828 tis. Kč
Neveřejné tuz. a zahr. zdroje finan.
0 tis. Kč
Základní informace
Uznané náklady
8 553 tis. Kč
Statní podpora
7 725 tis. Kč
90%
Poskytovatel
Grantová agentura České republiky
OECD FORD
Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Doba řešení
01. 01. 2022 - 31. 12. 2024