Divulgação - Defesa Nº 235

Aluno: Danilo da Silva Barbosa de Lima

Título: "Um Framework para criação de Sistemas Híbridos".

Orientador: Paulo Salgado Gomes de Mattos Neto

Coorientador: João Fausto Lorenzato de Oliveira

Examinador Externo : Manoel Henrique da Nobrega Marinho - (UPE)

Examinador Interno : Alexandre Magno Andrade Maciel - (PPGEC)

Data-hora: 31/Maio/2021 (14:00h)
Local: Formato Remoto (https://meet.google.com/abf-dzvi-gyy?hs=224)

Resumo:

Tradicionalmente modelos estatísticos têm sido aplicados na previsão de séries temporais, assim como modelos de machine learning. No entanto, essas abordagens apresentam limitações quando aplicados isoladamente. Por exemplo, um modelo estatístico pode não ser capaz de mapear padrões lineares, tal como modelos de machine learning podem não ser capazes de mapear padrões lineares com o mesmo desempenho que os padrões não lineares, além de durante o treinamento ficar preso em mínimos locais, estar sujeito à ocorrência de overfit, momento em que o modelo perde a capacidade de generalizar e passa a decorar os exemplos. Para superar essas limitação alguns estudos propõem, sistema híbridos a partir da combinação de modelos estatísticos com modelos não lineares. Entretanto esses estudos apresentam duas limitações: a determinação prévia da sequência de modelos a serem usados, e a seleção dos modelos lineares e não- lineares independente do conjunto de dados. Esse trabalho propõe uma metodologia que busca a melhor sequência de combinação para prever uma série temporal. Além disso, a abordagem indica qual o modelo mais adequado para ser aplicado nos passos de modelagem da série temporal e dos resíduos. Resultados experimentais mostraram que o método proposto apresenta desempenho superior quando comparado com métodos encontrados na literatura.

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.