Eventos
Divulgação - Defesa Nº 240
Aluna: David Josue Barrientos Rojas
Título: "IQAENet: Inpainting Quality Assessment Estimator Neural Network"
Orientador: Bruno José Torres Fernandes (PPGEC)
Corientador: Sérgio Murilo Maciel Fernandes (PPGEC)
Examinador Externo : Guilherme Holsbach Costa - Doutor - (Universidade de Caxias do Sul - UCS)
Examinador Interno : Carmelo José A. B. Filho (PPGEC)
Data-hora: 17/Agosto/2021 (14:00h) - PM
Local: Formato Remoto (meet.google.com/vgz-dzxv-ewf)
Resumo:
Inpainting techniques are widely known for their ability to reconstruct damaged regions in images, resulting in visually plausible versions of them. A single image can be reconstructed in countless ways, with the results varying depending on the method used and the parameters set, making the quality evaluation a challenging task. Different assessment metrics can be applied to verify the quality of the results; however, a reference image is required, which is rarely available. The absence of a reference image is why most researchers opt to evaluate results with subjective opinions, removing its reliability. This study presents IQAENet: a Deep Learning approach capable of providing objective quality assessment over inpainted images without a reference image. This network was trained using an auto-generated dataset consisting of pairs of reconstructed and damaged images alongside their original Peak signal-to-noise ratio (PSNR) and and Structural Similarity (SSIM) measurements. Results show a determination coefficient of 0.85 for PSNR and 0.88 for SSIM, which suggests the proposed model can predict the quality of the reconstructed image with high fidelity.
Divulgação - Defesa Nº 239
Aluna: Mariana de Albuquerque Campos
Título: "Inteligência Artificial Explicável para suporte à decisão fisioterapêutica na análise da marcha humana em idosos."
Orientador: Fernando Buarque de Lima Neto (PPGEC)
Corientador: Rafael Rego Caldas (UPE)
Examinador Externo : Teresa Bernarda Ludermir - Doutora - (UFPE)
Examinador Interno : João Fausto L. de Oliveira (PPGEC)
Data-hora: 16/Agosto/2021 (10:00h) - PM
Local: Formato Remoto (meet.google.com/njy-fzep-sve)
Resumo:
A Fisioterapia busca encontrar tratamentos eficazes e diagnósticos precoces para que doenças motoras e neurodegenerativas não se desenvolvam e comprometam a vida da pessoa idosa. A marcha humana como tarefa motora sensorial proporciona diferentes análises, para avaliação física e cognitiva. Essas análises trazem consigo algumas dificuldades como a grande quantidade de recursos que demandam experiência dos profissionais de fisioterapia e custo elevado em materiais e aparelhos. Diante deste contexto, o objetivo desta pesquisa é indicar diferentes análises, para acompanhamento do progresso do paciente, global e individualmente. Além do mais, indicar métodos de explicação dos resultados e extração de variáveis mais significativas. Neste projeto, algoritmos de Inteligência Artificial (IA) e Inteligência Artificial Explicável (XAI) foram aplicados em dados cinéticos e cinemáticos da marcha humana com protocolos de exercício em tarefas simples e dupla para análises por períodos de intervenção e por grupos funcionais de avaliação, a fim de interpretar dos resultados dos algoritmos. A predição da idade do paciente foi utilizada a fim de comparação e escolha de um preditor para entrada em técnicas de XAI, onde foram utilizados o SHAP (SHappley Additive exPlanations) e o LIME (Local Interpretable Model-agnostic Explanations) para análise global e individual dos pacientes, respectivamente. Nos resultados obtidos, em análises por períodos de intervenção e pós intervenção do paciente, foram encontradas diferenças da importância das variáveis entre os períodos, indicando que a qualidade da intervenção não foi mantida. Na análise por grupos funcionais, o algoritmo de regressão lightGBM aplicado ao XAI mostrou visualizações de grupos formados para as variáveis mais importantes. Ao final dos experimentos, o SHAP possibilitou listar as variáveis mais importantes entre todos os dados, observou-se variáveis que poderiam ser descartadas nas análises por não exercerem influência nos resultados do modelo regressor. Além disso, os resultados mostraram-se promissores para a possibilidade da aplicação de XAI em análises dos dados para interpretação das decisões em análises por grupo e individual do paciente, em aplicações clínicas. Ademais, modelos regressores ainda mais robustos podem ser obtidos se essas análises clínicas forem consideradas.
Divulgação - Defesa Nº 238
Aluna: Rebeca Sarai Aguiar da Silva
Título: "Explainable feature extraction to support the evaluation of dual-task gait protocols."
Orientador: Fernando Buarque de Lima Neto (PPGEC)
Corientador: Rafael Rego Caldas (UPE)
Examinador Externo : Tsang Ing Ren - Doutor - (UFPE)
Examinador Interno : Bruno José Torres Fernandes (PPGEC)
Data-hora: 29/Julho/2021 (16:30h) - PM
Local: Formato Remoto (meet.google.com/iia-mmhf-rxj)
Resumo:
Gait patterns have emerged as a window into brain function in the early stages of cognitive decline. However, in clinical practice, the most common evaluation methods are still the universal goniometer and the observational gait analysis. The success of the analysis is highly dependent on the professional’s experience and background, resulting in a subjective and often inaccurate evaluation process. Such lack of accuracy is mainly caused by the difficulty to perceive atypical variants in the early stages of diseases. This work presents a set of qualitative and quantitative methods to aid the analysis of gait movement in older adults. Using a secondary database of a dual-task protocol assessment clinical trial, we attempt to help health professionals to make more informed and data-driven decisions based on the individual condition of each patient. On the quantitative front, we carried a classification benchmark to clarify the significance of priority on dual-task exercises. Our extensive experiments highlighted that different protocols of dual-task exercises have undetectable impacts on the development of community-dwelling older adults. However, our best results were driven by one specific type of dual-task exercise, thus we were able to demonstrate the significance of dual-task exercises with variable priority for the classification of other types of dysfunctions such as falls. On the qualitative front, we were able to create new semantic groups highlighting irrelevant, leading, synchronic and stagnant features. Results point out that a small group of features produce significant changes during the course of the clinical trial, similarly, a big group of features is considered irrelevant and therefore can be disregarded by health professionals on evaluation scenarios. The contributions described in this dissertation demonstrate that it is possible to include machine learning algorithms on the arsenal of tools of health professionals to indicate points that require close attention. Our work brings visibility to areas that were out of the spectrum of health professionals. Taken together, we believe that these methods help pave the way for the successful application of advanced machine learning techniques to support a wide range of health professionals in their clinical practice.
O Programa
