Andrews Cordolino Sobral

Doutor em Visão Computacional e Aprendizado de Máquina pela Universidade de La Rochelle, França. Foi membro dos laboratórios L3I (Informatique, Image et Interaction) e MIA (Mathématiques, Image et Applications). No doutorado, concentrou-se no estudo e aplicação de ferramentas de decomposição matricial e tensorial para análise de imagens e vídeos. Tais aplicações incluem detecção e segmentação de movimento, modelagem e subtração de fundo, classificação de videos, aprendizado incremental, extração e seleção de características. As principais ferramentas matemáticas utilizadas foram Robust PCA (RPCA), Matrix/Tensor Factorization, Low-rank and Sparse Representation, Subspace Clustering e Online Tensor Decomposition. Foi revisor de dezenas de artigos submetidos em revistas cientificas conceituadas tais como Elsevier (CVIU, IVC, PRL, Infrared Physics and Technology), Springer (NCA, JZUS-C), IEEE (TCSVT, TIP). Também foi revisor de artigos submetidos em workshops e conferências internacionais tais como ICCV 2015 (RSL-CV) e ICIAP 2015 (SBMI). Os principais interesses de pesquisa são Visão Computacional (Computer Vision), Aprendizado de Máquina (Machine Learning), Aprendizado Profundo (Deep Learning), Matemática Aplicada (Applied Mathematics), Decomposição Matricial e Tensorial (Matrix and Tensor Decomposition), Modelagem e Otimização (Optimization). Possui conhecimento avançado em MATLAB, Python, C/C++, Java, PHP. Também possui domínio nas principais bibliotecas e ferramentas de Visão Computacional e Aprendizado de Máquina tais como OpenCV, scikit-learn, Caffe, Keras, MatConvNet, Tensorflow, Tensor Toolbox, TensorLab. É autor das bibliotecas BGSLibrary e LRSLibrary além de outros projetos de código fonte aberto (open source). Para maiores informações, por favor visite a minha página pessoal em http://andrewssobral.wixsite.com/home

Ph.D. at University of La Rochelle (L3I/MIA), France. My PhD research activities were focused on the application of advanced matrix and tensor tools for computer vision and machine learning problems. The main focus is robust video analysis, such as: background modeling and subtraction, image and video classification, 3D skeletal action recognition, online/incremental learning. Main research tools: Robust PCA (RPCA), Matrix/Tensor Factorization, Low-rank and Sparse Representation, Subspace Clustering, Online Tensor Decomposition. Main research interests: Computer Vision, Machine Learning and Deep Learning, Pattern Recognition, Applied Mathematics, Matrix and Tensor Decomposition, Optimization, Big Data. My interest also includes intelligent video analytics by: object detection, segmentation and tracking, crowd analysis and motion analysis for event/action recognition and behavior classification. For more details, please visit my personal home page http://andrewssobral.wixsite.com/home