Navegando por Assunto "Aprendizagem profunda"

Agora exibindo 1 - 5 de 5

Acesso aberto (Open Access)
Beam-selection otimizado por aprendizado de máquina : uma abordagem multimodal
(Universidade Federal do Pará, 2023-12-30) FERREIRA, Jamelly Freitas; GOMES, Diego de Azevedo; http://lattes.cnpq.br/5116561408505726; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
Esta dissertação tem como objetivo investigar a utilização de modelos de aprendizado de máquina usando dados multimodais como entrada para otimizar o processo de “Beam-Selection”em redes baseadas em ondas milimétricas. O uso de Deep Learning tem se intensificado em diferentes áreas, sendo possível obter performance igual ou superior à humana, desta forma seu uso mostra-se promissor também em cenários de comunicação sem fio. Neste trabalho foram usados dados de diferentes naturezas o que se mostrou conveniente ao passo que é possível ajustar o modelo de acordo com a qualidade/disponibilidade destes dados. Após execução dos experimentos, e obtencão dos resultados, foi observado que é possível obter significativa performance em diferentes métricas, mesmo com dados mais simples como Imagem e Coordenada.
Acesso aberto (Open Access)
Deep learning software-based holdover for PTP IEEE 1588 synchronization in 5G networks
(Universidade Federal do Pará, 2023-03-28) DUTRA, Rodrigo Gomes; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
Este trabalho propõe a avaliação de mecanismos baseados em algoritmos de software para manter a sincronização de um relógio em tempo real em operação de holdover, quando a entrada de referência de sincronização não está disponível. Três algoritmos, ARIMA, LSTM e redes de Transformer, foram implementados e treinados usando dados de carimbo de tempo e temperatura adquiridos enquanto o relógio escravo está sincronizado com um relógio mestre. Quando o relógio escravo perde sua referência, os modelos baseados em algoritmos assumem o controle e o mantém sincronizado. O método proposto foi avaliado em um teste de relógios de protocolo de tempo de precisão IEEE 1588 PTP baseados em uma bancada de testes baseada em FPGAs, onde timestamps precisos em nanossegundos foram coletados para análise offline. Os modelos foram avaliados usando dois tipos de relógios, um econômico, XO, e um robusto, OCXO, em cenários de temperatura constante e variável. Os resultados mostram que todos os algoritmos podem manter a precisão de sincronização do relógio dentro de limites dos requisitos de sincronização para comunicação TDD por intervalos de 1000 segundos em todos os cenários de temperatura e oscilador, sendo que o mecanismo de holdover baseado em redes Transformer superou a abordagem estatística e a rede LSTM. Esta abordagem de software de baixo custo é viável para aumentar a precisão do relógio durante a operação de holdover e pode ser generalizada para outros contextos de holdover, como em um cenário GNSS
Acesso aberto (Open Access)
Detecção e rastreamento de componentes de vagões ferroviários utilizando redes neurais convolucionais e restricões geométricas
(Universidade Federal do Pará, 2020-04-27) GONÇALVES, Camilo Lélis Assis; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609
A inspeção de componentes de trem que podem causar descarrilamento possui um papel importante na manutenção ferroviária. A fim de aumentar a produtividade e a segurança, empresas prestadoras de serviços procuram por soluções de inspeção automáticas e confiáveis. Apesar da inspeção automática baseada em visão computacional ser um conceito consolidado, tais aplicações desafiam a comunidade de desenvolvimento em razão de fatores ambientais e logísticos a serem considerados. Este trabalho propõe uma técnica de detecção e estimativa das posições das regiões de dreno presentes em vagões de trem. Nosso detector/rastreador consiste em uma rede neural convolucional e um conjunto de restrições geométricas, que levam em conta a trajetória ideal dos componentes de interesse dos vagões e as distâncias entre eles. Detalhamos os procedimentos de treinamento e validação, juntamente com as métricas utilizadas para aferir a performance do sistema proposto. Os resultados apresentados são comparados com outras duas técnicas, e exibem um bom custo‑benefício entre confiança e complexidade computacional para a detecção dos componentes de interesse.
Acesso aberto (Open Access)
Estimativa Volumétrica de Resíduos Sólidos Urbanos em Imagem de Visualização Única.
(Universidade Federal do Pará, 2024-09-02) AZANCORT NETO, Júlio Leite; FRANCÊS, Carlos Renato Lisboa; http://lattes.cnpq.br/7458287841862567
A gestão eficiente de resíduos sólidos é crucial para manter a cidade limpa e sustentável. Este trabalho apresenta uma metodologia que utiliza algoritmos bem estabelecidos para a estimativa de volume na gestão de resíduos sólidos urbanos a partir de imagens de única visualização. O sistema proposto baseia-se em conceitos e modelos de visão computacional de última geração, incluindo segmentação de instâncias, estimativa de profundidade e cálculo de volume baseado em nuvem de pontos. A metodologia demonstrou a capacidade de estimar com precisão o volume de objetos de resíduos sólidos, tanto individuais quanto múltiplos, em imagens. A abordagem foi avaliada utilizando dados do mundo real. Apesar dos desafios, como o reescalonamento manual de distâncias e conjuntos de dados limitados, o sistema possui um potencial considerável para refinamento e aprimoramento, visando cenários complexos como os urbanos reais. Os resultados numéricos mostraram que o sistema proposto é promissor mesmo em cenários complexos, com valores de erro percentual absoluto médio (MAPE) de 8,60% para resíduos únicos e 9.23% para resíduos múltiplos, resultando em uma média geral de 8.91%. O coeficiente de determinação foi de 95.11% para instâncias únicas e 87.64% para múltiplas. A metodologia proposta contribui significativamente para o avanço das tecnologias de gestão em smart cities.
Acesso aberto (Open Access)
Identificacao de larvas de mosquitos do genero aedes utilizando redes neurais convolucionais
(Universidade Federal do Pará, 2023-09-29) SILVA, Romário da Costa; FERREIRA JÚNIOR, José Jailton Henrique; http://lattes.cnpq.br/9031636126268760; FRANCÊS, Carlos Renato Lisboa
As arboviroses transmitidas pelos mosquitos do gênero Aedes constituem uma séria ameaça à saúde pública. A detecção e o controle desses vetores são fundamentais para prevenir surtos de doenças, incluindo Dengue, Chikungunya, Zika e Febre Amarela. As técnicas de visão computacional e aprendizagem profunda tem sido cada vez mais utilizadas no controle epidemiológico, principalmente, no que tange à classificação e detecção destes mosquitos. Nesse sentido, propõe-se três modelos voltados para classificação, detecção e segmentação de larvas dos mosquitos baseado na utilização de redes neurais convolucionais (CNN) e algoritmos de detecção de objetos (YOLO). Para tanto, foi criado um conjunto de dados (dataset) próprio para treinamento. O dataset é composto por imagens de larvas, sendo categorizadas entre as classes Aedes e Não Aedes. Os resultados obtidos indicam que os modelos propostos se apresentam como estratégias promissoras e alcançaram valores de acurácia de 86,71%, mAP (Mean Average Precision) de 88,3% e 95,7% para as tarefas de classificação, detecção e segmentação, respectivamente.