Eventos
DEFESA DE TESE DE DOUTORADO Nº 34
Aluno: David Josué Barrientos Rojas
Título: “NOVA-STAR: Non-Overlapping View Active Sequential Tracking with Adaptive Reinforcement Learning for Coordinated Multi-Camera Systems"
Orientador: Bruno José Torres Fernandes
Coorientador: Pablo Vinicius Alves de Barros
Examinador Externo: Matthias Kerzel (University of Hamburg, Germany)
Examinador Externo: Doreen Jirak (University of Antwerp, Belgium)
Examinador Externo: Yves Mendes Galvão (Livelo Brasil)
Examinador Interno: João Fausto Lorenzato de Oliveira
Data-hora: 24 de setembro de 2025 às 8h
Local: formato híbrido
Resumo:
"Active object tracking across nonoverlapping camera networks is essential for applications such as urban surveillance, industrial monitoring, and indoor security, yet remains less explored in computer vision and reinforcement learning research. Existing methods typically focus on passive surveillance or single-camera active tracking, which overlook challenges specific to sequentially aligned but visually disconnected cameras, including visual discontinuities, accurate inter-camera handovers, and motion reasoning without continuous visual input. The adaptive and predictive capabilities of reinforcement learning make it well-suited to the dynamic nature of active tracking. In this framework, the tracking agent learns from interactions to optimize state estimation, motion prediction, and data association from observed frames and environmental feedback. Building on these strengths, this thesis proposes NOVA-STAR: a reinforcement learning-based approach for coordinated tracking across nonoverlapping multicamera systems. Using Proximal Policy Optimization, a centralized controller with a finite state machine abstraction encodes visibility states and supports predictive reasoning during camera handoffs. Furthermore, a novel simulation environment was created to replicate real-world conditions such as occlusion, spatial discontinuities, and partial observability. Experimental evaluations demonstrated the effectiveness of the proposed method, achieving a Coordinated Tracking Rate of 84.72%, a Handoff Completion Success Rate of 82.32%, a Reacquisition Success Rate of 86.92%, and a Standby Accuracy of 97.50%. Behavioral analyses and Ablation studies highlighted the importance of finite state machine encoding and centralized observation sharing. Additionally, a real-world deployment with one physical and two simulated cameras provided practical validation. Through inductive reasoning based on these results, the system is expected to generalize effectively to multi-camera real-world deployments. Overall, these results indicate that NOVA-STAR offers a reliable framework for active tracking on nonoverlapping sequential cameras, with consistent performance in both simulation and real-world deployment. The approach is well-suited for sequential multi-camera, single-target scenarios but may be challenged by abrupt motion changes, extended occlusions, or untested configurations. By combining coordinated control with predictive reasoning, the method contributes to bridging the gap between computer vision and reinforcement learning, offering a practical basis for future active tracking systems."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 335
Aluno: Leandro Ferreira Moura Filho
Título: “Uma Metodologia de Extração e Pré-processamento de Dados para Aplicações de Previsão de Falhas Baseadas em Aprendizado de Máquina"
Orientadora: Patricia Takako Endo
Coorientadora: Andrea Maria Nogueira (UFPE)
Examinador Externo: José Rodrigues de Oliveira Neto (UFPE)
Examinador Interno: João Fausto Lorenzato de Oliveira
Data-hora: 23 de setembro de 2025 às 14h
Local: Formato Presencial - Miniauditório (bloco A)
Resumo:
"A manutenção industrial é um dos setores em que a aprendizagem de máquina tem demonstrado grande aplicabilidade, especialmente na manutenção preditiva, que se destaca como um campo de interesse crescente para pesquisadores em ciência de dados. No entanto, muitos estudos nesta área são conduzidos com base em dados sintéticos ou coletados em ambientes controlados, o que limita a representatividade e não reflete plenamente os desafios práticos enfrentados em aplicações reais que utilizam dados industriais autênticos. Esta pesquisa propõe uma metodologia voltada para o uso integrado de dados de confiabilidade e instrumentação, comuns em ambientes industriais, com o objetivo de desenvolver modelos de aprendizagem de máquina mais robustos e eficientes. A metodologia contempla os principais obstáculos encontrados na prática, tais como a variabilidade e baixa qualidade dos dados, a ocorrência de erros de classificação de falhas e o desbalanceamento de classes, além de apresentar estratégias eficazes para a interpretação dos resultados e para a implementação dos modelos em contextos operacionais. Como contribuição prática, esta pesquisa inclui um estudo de caso no qual a metodologia proposta foi implementada em um ambiente industrial real, no qual foram avaliadas as etapas de preparação e modelagem dos dados, bem como medidas quantitativas de desempenho dos modelos. Nesse estudo de caso, a aplicação da metodologia alcançou F1-score de 83%, com significativas melhorias na acurácia, especialmente na redução de falsos positivos, quando comparada a modelo treinado sem a abordagem proposta. Por fim, destaca-se que a metodologia está sendo aplicada de forma contínua em diferentes modelos com o objetivo específico de previsão de falhas em equipamentos industriais, ampliando sua relevância prática e demonstrando seu potencial de replicabilidade em distintos contextos produtivos. "
DEFESA DE TESE DE DOUTORADO Nº 33
Aluno: Pricylla Santos Cavalcante do Nascimento
Título: “Uma Abordagem Híbrida e Aplicada para a Predição Educacional com Modelagem Multinível e Aprendizado Supervisionado"
Orientadora: Fernanda Maria Ribeiro de Alencar
Examinadora Externa: Marcia Jacyntha Nunes Rodrigues Lucena (UFRN)
Examinador Externo: Ricardo Argenton Ramos (UNIVASF)
Examinadora Externa: Ana Cláudia Ribeiro Tavares (UPE)
Examinadora Interna: Maria Lencastre Pinheiro de Menezes Cruz
Data-hora: 03 de setembro de 2025 às 14h
Local: Formato remoto
Resumo:
"Esta tese propõe uma abordagem computacional híbrida para analisar a relação entre a gestão do tempo de estudo e o desempenho acadêmico de estudantes que prestam o Exame Nacional do Ensino Médio (ENEM). A proposta se fundamenta na aplicação integrada de modelagem estatística multinível e algoritmos supervisionados de machine learning, com o objetivo de superar limitações identificadas em estudos anteriores, que desconsideram a estrutura hierárquica dos dados educacionais. O problema de pesquisa é evidenciado pela complexidade em se capturar, simultaneamente, os efeitos de fatores individuais, escolares e regionais sobre o desempenho acadêmico. Para investigar essa relação, a metodologia adotada compreende: (i) levantamento dos microdados educacionais do ENEM, estruturados hierarquicamente; (ii) aplicação de modelos multiníveis para captar as variações entre os níveis hierárquicos; e (iii) implementação de algoritmos de machine learning, incluindo Regressão Linear, Random Forest, XGBoost e Redes Neurais, para predizer o desempenho dos estudantes. Os resultados demonstram que os modelos que consideram a hierarquia dos dados superam os tradicionais em termos de acurácia e interpretabilidade, além de possibilitarem a formulação de estratégias personalizadas de gestão do tempo de estudo. A análise multinível permitiu identificar diferenças significativas entre regiões e perfis escolares, enquanto os algoritmos supervisionados apontaram variáveis críticas para o desempenho. Conclui-se que a integração entre modelagem multinível e aprendizado supervisionado possibilita uma predição educacional mais precisa e contextualizada, contribuindo para práticas pedagógicas e políticas públicas fundamentadas em evidências."
O Programa
