Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 306
Aluno: Agostinho Antônio Freire Júnior
Título: “Além de Dados Limpos: Explorando os Efeitos de Rótulos Ruidosos no Desempenho de Detecção de Objetos”
Orientador: Bruno José Torres Fernandes
Coorientador: Leandro Honorato de Souza Silva
Examinador Externo: Tsang Ing Ren - (UFPE)
Examinador Interno: Pablo Vinicius Alves de Barros
Data-hora: 30 de Agosto de 2024, às 13h.
Local: Formato Remoto.
Resumo:
"Nos últimos anos, a proliferação de conjuntos de dados em larga escala tem impulsionado avanços significativos em aplicações de aprendizado profundo. No entanto, a anotação desses dados continua sendo um processo intensivo em mão de obra, levando à adoção de métodos de redução de custos, como serviços de coleta de dados não especializados e a utilização de fontes de dados disponíveis na internet. Como resultado, os rótulos gerados frequentemente contêm ruídos e imprecisões, comprometendo a qualidade geral dos dados. Assim, conjuntos de dados do mundo real são conhecidos por apresentar uma taxa significativa de corrupção, desafiando a suposição tradicional de que dados limpos são necessários para modelos de aprendizado de máquina. Este trabalho investiga os efeitos do ruído nos rótulos sobre o desempenho da detecção de objetos, uma tarefa crítica em visão computacional. Realizamos uma análise abrangente da influência de rótulos ruidosos em modelos de detecção de objetos, explorando diferentes taxas de corrupção de dados e seus efeitos nos conjuntos de treinamento e validação. Para a experimentação, selecionamos três arquiteturas populares de detecção de objetos: YOLOv5, Faster R-CNN e o recente YOLOv8, utilizando três conjuntos de dados amplamente empregados na literatura: MS COCO, VOC e ExDARK. Duas métricas, Saúde do Modelo e Capacidade de Detecção, foram propostas para apoiar a análise dos resultados experimentais. Os resultados mostram que, até uma faixa de corrupção de dados de 40%, mais de 80% da Saúde do Modelo é preservada (equivalente a uma queda de 20% no mAP em relação à linha de base) em todos os conjuntos de dados para ambas as arquiteturas. No entanto, a Capacidade de Detecção, que avalia a quantidade de detecções em relação a um valor de referência, apresenta uma degradação mais rápida com o mesmo nível de corrupção. Adicionalmente, o método D-RISE foi utilizado para fornecer explicabilidade aos modelos treinados, destacando regiões nas imagens que influenciam as previsões de detecção. Notavelmente, a análise revela que as áreas relevantes para a detecção permanecem semelhantes às do modelo de linha de base até a faixa de corrupção de dados de 40%, corroborada por métricas de similaridade. Finalmente, propomos diretrizes práticas para o desenvolvimento e treinamento de modelos de detecção de objetos com pseudo-rótulos e introduzimos o método TIPR (Treinamento Incremental com Pseudo-Rótulos) como uma abordagem eficaz para mitigar o esforço manual de rotulagem, demonstrando que é possível obter modelos robustos e precisos mesmo na presença de ruído nos dados."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 305
Aluno: Luiz Henrique Albuquerque de Melo
Título: “Séries temporais hierárquicas para análise e previsão de indicadores chave de resultado (KRIs)"
Orientador: Fernando Buarque de Lima Neto
Examinador Externo: Manoel Henrique da Nobrega Marinho (PPGES/POLI)
Examinador Interno: João Fausto Lorenzato de Oliveira
Data-hora: 29 de Agosto de 2024, às 15h.
Local: Formato Remoto.
Resumo:
"Diante do complexo cenário da segurança viária no Brasil, marcado pelo desafi o de reduzir as mortes no trânsito diante das metas estabelecidas pela ONU, torna-se essencial aumentar a eficiência das instituições responsáveis pela segurança viária. Para isso, a utilização de mecanismos de análise de dados, que forneçam informações precisas para apoiar a tomada de decisão, é crucial. Nesse contexto, os modelos de previsão de Indicadores-Chave de Resultado (KRIs) ganham destaque, pois permitem criar cenários e avaliar o desempenho organizacional em relação aos objetivos estratégicos, refletindo a efi cácia das políticas e intervenções de segurança implementadas. Este trabalho utiliza séries temporais e séries temporais hierárquicas para prever o KRI de mortes por sinistros de trânsito na Polícia Rodoviária Federal (PRF), no intuito de contribuir propondo uma abordagem que produza previsões com melhor acurária para todos os níveis da instituição, permitindo identifi car a real contribuição de cada unidade no desempenho orgazanizacional. Dados reais de acidentes de trânsito nas rodovias federais brasileiras foram coletados e organizados em uma estrutura hierárquica. Modelos estatísticos como Holt-Winters, ARIMA/SARIMA, e técnicas de inteligência computacional, incluindo Redes Neurais e Regressão com Vetores de Suporte, Random Forest Regressor e XGBoost Regressor , foram empregados para a previsão dos KRIs. As previsões foram ajustadas utilizando técnicas de reconciliação hierárquica para garantir consistência em diferentes níveis hierárquicos. A avaliação dos modelos foi realizada com métricas como RMSE e MAPE, destacando a acurácia e a consistência das previsões reconcilidadas. Os resultados deste estudo fornecem valiosas abordagens para a segurança viária e a gestão operacional das entidades responsáveis pelo trânsito seguro."
DEFESA DE DISSERTAÇÃO DE MESTRADO 304
Aluno: Guilherme Carvalho Pereira
Título: “Comparação de Técnicas de Aprendizado de Máquina para Equalização em Sistemas Rádio sobre Fibra"
Orientador: Carmelo José Albanez Bastos Filho
Coorientador: Arismar Cerqueira Sodré Junior (INATEL)
Examinador Externo 1: Aldebaro Barreto da R. Klautau Júnior (UFPA)
Examinador Externo 2: Hugo Valadares Siqueira (UTFPR)
Data-hora: 29 de Julho de 2024, às 14:30.
Local: Formato Remoto.
Resumo:
"Este trabalho investiga e propõe melhorias nas técnicas de aprendizado de máquina para compensar as não-linearidades em sistemas de comunicação sem fio de quinta geração (5G) baseados em Rádio sobre Fibra (RoF). As redes RoF combinam a alta largura de banda dos sistemas ópticos com a flexibilidade das transmissões sem fio, enfrentando o desafio das distorções não-lineares no sinal modulado. Avaliamos três abordagens de aprendizado de máquina aplicadas a sistemas de Multiplexação por Divisão de Frequência Ortogonal (OFDM): vetores de suporte, árvores de regressão e redes neurais artificiais. O desempenho dessas técnicas foi avaliado usando as métricas de erro quadrático médio (MSE) e densidade espectral de potência (PSD). Os resultados indicam que o modelo de redes neurais artificiais superou as outras técnicas, alcançando uma redução significativa no MSE e demonstrando sua superior capacidade de modelar e corrigir as distorções não-lineares de maneira eficaz. Além disso, as redes neurais artificiais mantiveram a complexidade computacional baixa, tornando-as atraentes para implementações em larga escala. Este trabalho também apresenta uma técnica de treinamento híbrido que combina dados simulados e reais para treinar modelos de aprendizado de máquina destinados à linearização de sinais. Os resultados demonstram que essa abordagem híbrida supera significativamente os modelos treinados apenas com dados sintéticos e atinge um desempenho comparável aos treinados somente com dados reais. Este estudo destaca o potencial de integrar dados sintéticos e reais no treinamento de modelos de redes neurais artificiais para sistemas RoF, oferecendo uma solução prática e eficaz para a melhoria da linearização de sinais. Trabalhos futuros incluirão a otimização dessa técnica e sua aplicação em outros cenários desafiadores nos sistemas de comunicação óptica."
O Programa
