Divulgação - Defesa Nº 234

Aluno: Halcyon Davys Pereira de Carvalho

Título: "Extreme Learning Machine aplicado à Estimação de Esforço em Projetos de Software".

Orientadora: Roberta Andrade de Araújo Fagundes

Examinador Externo : George Gomes Cabral - (UFRPE)

Examinador Interno : João Fausto Lorenzato de Oliveira (PPGEC)

Data-hora: 28/Maio/2021 (9:00h)
Local: Formato Remoto (http://meet.google.com/dwr-sroc-ant)

Resumo:

O processo de gerenciamento de projetos é utilizado na área de Engenharia de Software para apoiar os gerentes de projetos. Um dos processos essenciais em Engenharia de Software é conduzir uma estimativa precisa e confiável do esforço necessário para concluir o projeto. Os objetivos desta dissertação: i) identificar técnicas de aprendizado de máquina e conjuntos de dados usados em estudos de estimativa de esforço de desenvolvimento de software; ii) identificar os atributos que influenciam a estimativa de esforço de software; e iii) aplicar o modelo Extreme Learning Machine - ELM para estimativa de esforço e compará-lo com os modelos da literatura. Foram aplicadas cinco técnicas de Machine Learning, incluindo: K-Nearest Neighbors (kNNs), Linear Regression (LR), Support Vector Regression (SVR), Multi Layer Perceptron (MLP) e Extreme Learning Machine (ELM), aos conjuntos de dados Desharnais, Cocomo e dados disponível em Pillai (\citeyear{pillai2014}) para prever esforço de projetos de software. Os modelos foram comparados através das métricas, \textit{Mean Absolute Error-MAE}, \textit{Mean Square Error-MSE}, \textit{Root Mean Square Error-RMSE} e testes estatísticos. As principais conclusões deste estudo foram: i) seleção de atributos importantes e necessários para a estimativa do esforço e; ii) os resultados indicaram que o modelo ELM apresenta o menor erro de previsão em relação aos modelos da literatura para estimativa de esforço de projeto de software produzindo uma estimativa de esforço de software mais precisa, com menor tempo de estimação e possuindo uma boa capacidade de generalização. Desta forma, o uso de técnicas de Aprendizado de Máquina no processo de estimativa de esforço pode aumentar as chances de sucesso na precisão das estimativas de tempo e custos do projeto.

Divulgação - Defesa Nº 233

Aluna: Aline Geovanna Soares

Título: "Evaluating the Influence of Occlusion on the Quality of Deep Learning-based Systems for Natural Scene Text Detection and Recognition".

Orientador: Byron Leite Dantas Bezerra (UPE/PPGEC)

Coorientador : Estanislau Batista Lima

Examinador Externo : Alejandro Hector Toselli - (U.Valência)

Examinador Interno : Carmelo José A. B. Filho (UPE/PPGEC)

Data-hora: 31/Março/2021 (15:30h)
Local: Formato Remoto (https://meet.google.com/cid-ijen-kma)

Resumo:

Scene texts contain rich semantic information which may be used in many vision-based applica-tions. With the rise of deep learning, significant advances in scene text detection and recognitionin natural images have been made. However, in real scenes, shapes may contain severe occlusions,hardening the identification of texts. Moreover, the lack of consistent real-world datasets, richerannotations, and evaluations in the specific occlusion problem make the severe impact threat tothe algorithm’s performance caused by occlusion still an open issue. Therefore, unlike previousworks in this field, our research addresses occlusions in scene text recognition. The goal is toassess how robust and efficient are the existing deep architectures for scene text detection andrecognition facing various occlusion levels. First, we investigated state-of-the-art scene textidentification (detection and recognition), choosing four algorithms for scene text detection andthe other four for scene text recognition. Then, we evaluated these current deep architecturesperformances on ICDAR 2015 dataset without any generated occlusion. Second, we created amethodology to generate large datasets of scene text in natural images with ranges of occlusionbetween 0 and 100%. From this methodology, we produced the ISTD-OC, a dataset derivatedfrom the ICDAR 2015 database that we used to evaluate the chose deep architectures underdifferent levels of occlusion. The results demonstrated that these existing deep architecturesthat have achieved state-of-the-art are still far from understanding text instances in a real-worldscenario. Unlike the human vision systems, which can comprehend occluded instances by con-textual reasoning and association, our extensive experimental evaluations show that current scenetext recognition models are inefficient when high occlusions exist in a scene. Nevertheless, forscene text detection, PSENet has shown robustness for high occlusion levels, presenting 87% ofprecision in text instances with around 70% of occlusion. At higher levels, the model learns onlyto detect the pattern of the occlusion employed instead of the text. Results provided insights onthe capabilities and limitations of the recent proposed deep models facing occlusion, which canreference future studies in complex and diverse scenes.

Divulgação - Defesa Nº 232

Aluno: Everaldo Faustino dos Santos Júnior

Título: "Comparação de Algoritmos de Aprendizado de Máquina para Aplicação na Modelagem de Antenas".

Orientador: Carmelo José Albanez Bastos Filho (UPE/PPGEC)

Coorientador : Arismar Cerqueira Sodré Júnior (INATEL)

Examinador Externo : Sérgio Campello Oliveira - (UPE)

Examinador Interno : Roberta A. de A. Fagundes (PPGEC)

Data-hora: 30/Março/2021 (17:00h)
Local: Formato Remoto (http://meet.google.com/kzu-yxst-mgv)

Resumo:

Esta dissertação investigação a aplicação de técnicas de aprendizado de máquina para aplicação em modelagem de antenas, com o objetivo de encontrar um modelo substituto que tenha uma boa capacidade de representação, baixo custo computacional e que permita a aplicação de meta-heurísticas de otimização no projeto dos parâmetros da antena. Em primeiro lugar foi investigado a implementação e o desempenho de algumas técnicas de aprendizado de máquina, incluindo k-Vizinhos mais Próximos(KNN), Máquinas de Vetores de Suporte (SVR), LASSO, Florestas Aleatórias (RF), Splines de Regressão Adaptativa Multivariada (MARS), Processo Gaussiano (GP), Categorical Boosting(CatBoost), rede neural multilayer perceptron. Em seguida as técnicas foram comparadas e analisadas. Para a antena dipolo teve três modelos conseguiram um bom desempenho: Máquinas de Vetores de Suporte, Processo Gaussiano e CatBoost. Para a antena \emph{Quasi- Yagi} o Processo Gaussiano foi o que obteve o melhor desempenho.