Divulgação - Defesa Nº 268

Aluno: Marie Chantelle Cruz Medina

Título: “A Local Learning Approach for Sequential Hybrid Systems in Time Series Forecasting”

Orientador: João Fausto Lorenzato de Oliveira - (PPGEC)

Examinador Externo: Teresa Bernarda Ludermir - (UFPE)

Examinador Interno: Bruno José Torres Fernandes - (PPGEC)

Data-hora: 10 de Abril de 2023, às 10:30h.
Local: REMOTO (https://meet.google.com/aar-ajbj-ofx)

---

Resumo:

         A aplicação de sistemas híbridos para previsão de séries temporais tem sido amplamente explorada na literatura, uma vez que oferecem melhorias significativas em desempenho e robustez em relação a modelos individuais. Um caso relevante desses sistemas é o modelo híbrido sequencial de Zhang (2003), que tem recebido diversas modificações até hoje com o objetivo de alcançar a melhor versão possível. Neste estudo, foi desenvolvida uma abordagem de seleção dinâmica baseada nos princípios de Zhang para reduzir o risco de selecionar um modelo inadequado, reduzir a variância do modelo e permitir uma melhor adaptação aos padrões exclusivos de cada série temporal. Isso foi alcançado primeiro calculando a previsão linear da série temporal e a previsão não linear de seu resíduo; logo criando de uma região de competência em torno de cada ponto de consulta a ser previsto usando os K-vizinhos mais próximos; e, finalmente, aplicando aprendizado local para combinar as previsões linear e não linear com um modelo de Regressão Kernel Ridge selecionado dinamicamente. Para testar o desempenho do modelo proposto, foram conduzidos experimentos com sete outros modelos da literatura e dez conjuntos de dados relevantes para obter medidas objetivas de desempenho e determinar o melhor. Técnicas como separação de dados de teste, normalização e ajuste de parâmetros foram implementadas para garantir a melhor combinação possível de elementos presentes, uma vez que o reconhecimento de padrões depende muito disso. Os resultados obtidos colocaram o modelo proposto como o melhor com uma classificação média de 1,50 e os menores valores de MSE em nove dos dez conjuntos de dados utilizados. Para os conjuntos de dados de Pollution, Gas, Lake Erie, Electricity, Pigs, Red Wine, Car Sales, Sunspot, Traffic e Nordic, foram obtidos valores de erro de 8,00E-05, 1,26E-04, 1,05E-03, 4,25E-04, 8,41E-03, 2,78E-04, 4,00E-04, 3,99E-03, 2,59E-04 e 1,68E-04; respectivamente. Essas medidas de erro representam um ganho de desempenho de 26,23$\%$ a 99,59$\%$ em relação a ARIMA e de 6,99$\%$ a 99,72$\%$ em relação aos outros modelos testados, com exceção de um único banco de dados em que outro modelo obteve o melhor desempenho. Para respaldar a ideia de que o modelo proposto foi o melhor em desempenho em relação a todos os outros testados, foi executado um teste de Friedman-Nemenyi, que confirmou com 95$\%$ de confiança que o desempenho do modelo proposto foi o melhor. Os resultados obtidos em todos os testes permitem concluir que as etapas sugeridas em todas as fases deste estudo representam uma contribuição na área de sistemas de previsão sequencial de séries temporais híbridas e que o desempenho obtido é relevante no estado da arte.

Divulgação - Defesa Nº 266

Aluno: Vinícius Oliveira Barros

Título: “Interpretability of an Automatic Handwritten Signature Verification Model”

Orientador: Byron Leite Dantas Bezerra - (PPGEC)

Examinador Externo: Cleber Zanchettin - (UFPE)

Examinador Interno: Diego José Rátiva Millán (PPGEC)

Data-hora: 31 de Março de 2023, às 08:30h.
Local: REMOTO (https://meet.google.com/jnv-dhrg-tcz)

---

Resumo:

         In handwritten signature verification, convolutional neural networks are used in many different configurations and produce vastly different albeit satisfactory results when extracting signature features. One problem posed by the usage of these models is that, depending on the application, the need for insight into what features were used to output a given feature sets a barrier to the usage of those networks. In this work, we use Integrated Gradients and Saliency maps to extract regions of relevance from a sample input signature. We also analyze those regions where signature features such as initial and final pen strokes, pressure, speed, and connections, among others, to investigate if a proposed feature-extracting network points to the same criteria used by handwritten signature verification experts. Our experiments show that the initial and final pen strokes are the most commonly-occurring, high-relevance feature region outputted by the selected attribution algorithms with a relative frequency of 66.6%. These results relate to those obtained by the study of the criteria chosen by experts in a similar setting.

Divulgação - Defesa Nº 05

Aluno: Leandro Honorato de Souza Silva

Título: “Visão Computacional aplicada ao Suporte à Decisão para Reciclagem de Placas de Circuito Impresso”

Orientador: Bruno José Torres Fernandes - (PPGEC)

Coorientador: Sérgio Campello Oliveira - (PPGES)

Examinador Externo: Guilherme Alencar Barreto - (UFC)

Examinadora Externa: Maísa Mendonça Silva - (UFPE)

Examinador Externo: Raphael Henrique Falcão de Melo - (IFPB)

Examinador Interno: Alexandre Magno Andrade Maciel - (PPGEC)

Data-hora: 31 de Março de 2023, às 14:00h.
Local: Sala de Atos, I4 – Bloco K, 1° andar - UPE/POLI

---

Resumo:

         Os resíduos de equipamentos eletroeletrônicos (REE) são definidos como qualquer equipamento eletroeletrônico em fim de vida. Trata-se da classe de rejeito com crescimento mais acelerado. O Global E-Waste Monitor aponta que em 2019 cada habitante do planeta Terra produziu em média 7,3kg de REE, significando um crescimento de 21% em relação aos dados de 2014. Os REE possuem em sua composição elementos de alto valor para reciclagem (e.g. metais nobres) e elementos perigosos, como cádmio, chumbo, cromo e mercúrio. Portanto, a correta destinação dos REE possui o potencial de promover a recuperação de elementos raros e valiosos e proteger o meio ambiente. Cerca de 30% dos REE é composto de Placas de Circuito Impresso (PCB, do inglês: Printed Circuit Board), as quais possuem a maioria dos metais nobres contidos nos REE. Entretanto, as PCBs possuem grande diversidade de composição, constituindo um obstáculo para a reciclagem. Existem dezenas de processos de reciclagem de PCBs, além dos parâmetros de cada processo. Sendo assim, este trabalho propõe o método nomeado WPCB-EFA (Waste Printed Circuit Board Economic Feasibility Assessment) para avaliação por meio de visão computacional de uma PCB, caracterizando-a pela identificação de componentes eletrônicos, fornecendo suporte à decisão para a escolha do processo de reciclagem mais adequado. A primeira versão do WPCB- EFA utiliza a técnica de transfer leraning de um modelo de detecção de objetos (YOLOv3) para identificar circuitos integrados (CIs) e calcular os possíveis metais que podem ser recuperados em sua reciclagem – chegando à receita bruta estimada para a reciclagem dos CIs de uma PCB. Com a finalidade de detectar os demais componentes eletrônicos, os principais modelos de detecção de objetos necessitam de um conjunto de dados rotulados para treinamento supervisionado - os quais são indisponíveis e custosos de serem elaborados. Para treinar um detector de objetos em um cenário de poucos dados (Few-shot Learning), foram avaliadas estratégias de aprendizagem por contraste para classificação e detecção de CEs. Os resultados obtidos indicam haver vantagens no uso da aprendizagem por contraste para a classificação de CEs, mas não para detecção.Para permitir o treinamento de um detector de EC de forma semi-supervisionada, i.e utilizando dados não rotulados, propõe-se o método GEN Self-labeling Electronic Component Detector, o qual utiliza uma estratégia de adaptação de domínio para treinar de forma auto-supervisionada gerações de modelos professor-aluno. O método proposto foi avaliado com os modelos YOLOv5 e Faster RCNN utilizando a adição de ruído nos rótulos da base de dados FICS-PCB. Neste cenário, após quatro gerações o método proposto foi capaz de aumentar aproximadamente 6%na métrica mAP em relação à geração inicial, atingindo 69,16% mAP versus 72% mAP do modelo treinado com a base de dados íntegra. Por fim, utilizando o método proposto é possível identificar componentes eletrônicos em uma WPCB e assim caracterizá-la pela identificação de componentes perigosos e calcular a densidade de cada tipo de componente. Com essa informação,é possível reduzir a incerteza sobre a composição da WPCB e direcioná-la para desmontagem e/ou escolher o processo de reciclagem com melhor relação custo-benefício.