Compressive Sensing: Measure what should be measured

Quem: 

Claudio Verdun (Technical University of Munich)

Onde: 

Praia de Botafogo, 190 - sala 537

Quando: 

18 de Julho de 2019 às 16h

Muitos sinais e conjuntos de dados possuem uma representação natural em espaços de baixa dimensão. Ao explorar esse recurso, podemos reconstruir tais sinais com precisão a partir de algumas medidas não adaptativas através de métodos eficientes de otimização não linear. Este pequeno detalhe permitiu, por volta de 2006, David Donoho, Emmanuel Candes, Terence Tao e Justin Romberg criarem uma teoria, chamada Compressive Sensing, a partir do qual

i.  foram introduzidos algoritmos eficientes para a recuperação de sinais representáveis de maneira parcimoniosa
ii. ficaram estabelecidas cotas inferiores para a quantidade mínina de informação que precisamos saber sobre tais sinais a fim de recuperá-los
iii.  foram superadas dificuldades tecnologicas relativas à aquisição e tratamento de dados de diversas aplicações

O sucesso de tal teoria pode ser observado de duas formas: primeiramente a partir das aplicações práticas tais como processamento de áudio, imagens médicas, radares e receptores wireless, etc nas quais Compressive Sensing é, hoje em dia, um elemento fundamental. E também a partir das técnicas matemáticas desenvolvidas que hoje são a base da análise rigorosa de diversas ferramentas de aprendizado de máquina tais como deep neural networks.

Nesta palestra vou contar um pouco a história desta teoria e algumas recentes contribuições. 

*Texto informado pelo autor. 

Palestrante: 

Claudio Verdun é formado em Matemática Aplicada pela UFRJ (2014) com mestrado pelo mesmo departamento (2016) mas em coorientação do laboratório de Sinais, Multimidia e Telecomunições do departamento Engenharia Elétrica da COPPE-UFRJ. Atualmente faz doutorado simultaneamente em matemática, no grupo de Otimização e Data Analysis, e em engenharia elétrica, no grupo de Teoria da Informação, ambos na Technische Universität München, em Munique, Alemanha. Além disso colabora com a General Electric no desenvolvimento de novos métodos de ressonância magnética por difusão. Possui experiência em métodos quantitativos em Machine Learning, Otimização e Processamento de Sinais e forte interesse em imagens médicas.