Portfólio

👨‍💻 GitHub – Júlio César da Silva Soares

Bem-vindo ao meu espaço no GitHub! 🚀
Aqui você encontrará projetos relacionados à Visão Computacional, Aprendizado de Máquina e Deep Learning, com foco especial em classificação de grãos de pólen e em aplicações práticas de redes neurais.

🌟 Áreas de interesse

• Inteligência Artificial aplicada à classificação de imagens

• Redes Neurais Híbridas com mecanismos de atenção

• Aprendizado semi-supervisionado (pseudo-rotulação)

• Processamento e análise de imagens biomédicas

• Desenvolvimento de aplicações em Python e Django

📂 Projetos em destaque

• Pollen Classification → Classificação de grãos de pólen usando CNNs, redes híbridas e separação de vistas equatorial/polar.

• Pseudo-labeling Pollen → Estratégias de pseudo-rotulação para aumentar desempenho em bases reduzidas.
  Django Web → Projeto web para demonstração e deploy de aplicações com redes neurais.
  Traffic Light Detection (IJCNN 2018) → Metodologia baseada em textura, cor e forma para reconhecimento de semáforos.

🔗 Conecte-se

• GitHub: github.com/jczars

👨‍💻 Júlio César da Silva Soares – Kaggle

🌟 Áreas de exploração no Kaggle

• Transformers em visão computacional
  Trabalhos com Vision Transformers (ViT), MobileViT e variantes, aplicados a classificação de imagens e análise de gradientes.

• Modelos CNN clássicos e híbridos
  Uso de arquiteturas como DenseNet, comparações com outras CNNs, e testes de integração com mecanismos de atenção.

• Explainable AI (XAI)
  Experimentos com GradCAM, GradCAM++ e ScoreCAM, aplicados à interpretação de modelos de classificação de imagens.

• Redes especializadas

  • Siamese Networks com triplet loss para reconhecimento de faces.

  • Testes de pseudo-rotulação e datasets customizados.

📊 Objetivo dos estudos no Kaggle

• Avaliar o desempenho de diferentes arquiteturas (CNNs, ViTs, híbridos).

• Explorar técnicas de explicabilidade para aumentar a transparência dos modelos.

• Testar treinamento do zero x fine-tuning em bases específicas.

• Criar pipelines práticos e replicáveis em TensorFlow e Keras.
  
  

🔬 Interesses atuais

• Aplicar ViTs em contextos biomédicos, especialmente em classificação de grãos de pólen.
  
  

• Investigar como diferentes técnicas de attention e feature visualization podem impactar a performance.
  
  

• Explorar aprendizado semi-supervisionado em bases desbalanceadas.

🔗 Conecte-se

• kaggle: kaggle.com/jczars