Navegando por Assunto "Convolutional neural networks"

Agora exibindo 1 - 9 de 9

Acesso aberto (Open Access)
5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning
(Universidade Federal do Pará, 2019-08-29) DIAS, Marcus Vinicius de Oliveira; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
Sistemas de comunicação modernos podem explorar o crescente número de dados de sensores usados atualmente em equipamentos avançados e reduzir a sobrecarga associada à configuração de links. Além disso, a crescente complexidade das redes sugere que o aprendizado de máquina, como redes neurais profundas, podem ser utilizadas efetivamente para melhorar as tecnologias 5G. A falta de grandes conjuntos de dados dificulta a investigação da aplicação de aprendizado profundo na comunicação sem fio. Este trabalho apresenta uma metodologia de simulação (RayMobTime) que combina um simulador de tráfego de veículos (SUMO) com um simulador de ray-tracing (Remcom’s Wireless InSite), para gerar canais que representem cenários 5G realísticos, bem como a criação de dados de sensores LIDAR (através do Blensor). O conjunto de dados criado é utilizado para investigar técnicas de beam selection de veículo para infraestrutura usando ondas milimétricas em diferentes arquiteturas, como arquitetura distribuída (uso das informações de apenas um veículo selecionado e processamento de dados no veículo) e arquiteturas centralizadas (uso de todas as informações presentes fornecidas pelos sensores em um dado momento, processando na estação base). Os resultados indicam que redes neurais profundas convolucionais podem ser utilizadas para beam selection sob uma estrutura de classificação de top-M. Também mostra que uma arquitetura distribuída baseada em LIDAR fornece desempenho robusto independentemente da taxa de penetração de veículos, superando outras arquiteturas, bem como pode ser usada para detecção de visada direta com precisão razoável.
Acesso aberto (Open Access)
Uma Análise do uso de informacões multiescala no mapeamento da PSNR para pontuacão perceptual
(Universidade Federal do Pará, 2019-11-18) GONÇALVES, Luan Assis; ZAMPOLO, Ronaldo de Freitas; http://lattes.cnpq.br/9088524620828017; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609
A previsão da qualidade visual é crucial nos sistemas de imagem e vídeo. Métricas de qualidade de imagem com base no erro quadrático médio prevalecem em diversas aplicacões, apesar de apresentarem baixa correlacão¸ com a percepção visual humana, devido à sua simplicidade matemática. As últimas realizacões na área sustentam que o uso de redes neurais convolucionais (CNN) para avaliar a qualidade visual perceptiva é uma tendência clara. Resultados em outras aplicacões, como deteccão de desfoque e remocão de chuva, indicam que a combinacão de informacões de diferentes escalas melhora o desempenho da CNN. No entanto, até onde sabemos, a melhor maneira de incorporar informacões em várias escalas na caracterizacão da qualidade visual ainda é uma questão em aberto. Assim, neste trabalho, investigamos a influência do uso de informacões em várias escalas para prever a qualidade perceptual de imagens. Especificamente, propomos uma rede densa de fluxo único que estima um parâmetro espacialmente variável da funcão logística usada para mapear valores de métricas objetivas de qualidade visual para as notas subjetivas de qualidade visual através da imagem de referência. O método proposto alcançou uma reducão de 36,37% e 69,45% para o número de parâmetros e de operacões de ponto flutuante por segundo, respectivamente, e seu desempenho é comparado com o estado da arte, usando um banco de dados de imagens disponível publicamente.
Acesso aberto (Open Access)
Classificação de arritmias cardíacas através de uma estrutura competitiva de redes neurais convolucionais autoassociativas
(Universidade Federal do Pará, 2023-05-11) CORRÊA FILHO, Sérgio Teixeira; CASTRO, Adriana Rosa Garcez; http://lattes.cnpq.br/5273686389382860
Este trabalho apresenta a proposta de um sistema para classificação de arritmias cardíacas baseado em uma estrutura competitiva de Redes Neurais Convolucionais Autoassociativas. Três redes neurais foram treinadas para reconstruir sinais de Eletrocardiograma (ECG) para casos de pacientes com batimento supraventricular, ventricular e normal. Após o treinamento, as redes foram alocadas em uma estrutura paralela competitiva para classificação de arritmias. O banco de dados público de arritmia MIT-BIH de sinais ECG foi utilizado para o treinamento e testes das redes, sendo que para cada sinal ECG, de cada paciente, foram extraídos os complexos QRS dos batimentos cardíacos, que foram as características utilizadas como entrada para o sistema, sendo que estes sinais, que se encontravam em formato de sinais temporais (1D), foram transformados para imagens digitais (2D) com o objetivo de utilizar a capacidade das redes neurais convolucionais para reconhecimento de padrões e extração de características em imagens. Para desenvolvimento e análise de desempenho da estrutura proposta foram usados dois paradigmas que vêm sendo utilizados em trabalhos já apresentados na literatura: paradigma interpaciente e paradigma intrapaciente, sendo que o sistema obteve uma acurácia de 96,97%, sensibilidade de 96,30% e precisão de 93,59% para o caso intrapaciente e acurácia de 94,05%, sensibilidade de 70,43% e precisão de 65,74% para o caso interpaciente. Uma análise comparativa com resultados de sistemas de classificação de arritmia já apresentados na literatura mostra que o sistema proposto apresentou resultados próximos ou em alguns casos melhores que os já obtidos, mostrando assim a aplicabilidade da estrutura proposta para o problema.
Acesso aberto (Open Access)
Classificação de tumores cerebrais: um estudo comparativo entre rede neural convolucional e rede neural convolucional com mecanismo de atenção
(Universidade Federal do Pará, 2024-09-30) SILVA, Ulrich Kauê Mendes Alencar da; CASTRO, Adriana Rosa Garcez; http://lattes.cnpq.br/5273686389382860
Os tumores cerebrais são doenças neurológicas com elevado potencial de impacto na vida dos indivíduos acometidos, requerendo um diagnóstico rápido e preciso por meio de exames complementares de imagem, como a ressonância magnética, que é considerada padrão- ouro nesse processo. Considerando a necessidade de um diagnóstico mais rápido, sistemas de classificação baseados em Aprendizado de Máquina vêm sendo desenvolvidos e dentro deste contexto essa dissertação, tem como objetivo apresentar um estudo comparativo entre uma Rede Neural Convolucional (CNN) e uma CNN com mecanismo de atenção, desenvolvidas para a classificação de tumores cerebrais a partir de imagens de ressonância magnética. O estudo comparativo visa identificar o impacto do mecanismo de atenção no desempenho da CNN para classificação de tumores. Para desenvolvimento e avaliação dos modelos propostos foi utilizada uma base de dados pública, coletada do website Kaggle, e disponibilizada por Masoud Nickparvar, sendo esta composta por 7023 imagens de ressonâncias magnéticas cerebrais, segmentadas em quatro classes: glioma, meningioma, sem tumor e pituitário. Como resultado, a partir das métricas de desempenho obtidas, considerando a base de imagens usadas para teste em ambas as CNNs, observou-se uma melhora no desempenho da CNN após a introdução do mecanismo de atenção, onde a rede com esse mecanismo apresentou um aumento de 1.98% na métrica acurácia, 2.07% na métrica precisão, 2.18% na métrica sensibilidade e 1.72% na métrica F1-score em relação a CNN sem mecanismo de atenção, podendo ainda ser destacado os resultados obtidos em particular para a classe de tumor meningioma, visto que a CNN sem o mecanismo de atenção apresentou dificuldades para classificação desta classe e, após a integração do mecanismo de atenção o modelo obteve um aumento de acurácia de 6.54% para esta classe.
Acesso aberto (Open Access)
Estrutura competitiva de redes neurais convolucionais auto-associativas para classificação de arritmias
(Universidade Federal do Pará, 2019-04-17) BAIA, Alexandre Farias; CASTRO, Adriana Rosa Garcez; http://lattes.cnpq.br/5273686389382860
Este trabalho apresenta a proposta de dois sistemas automáticos para auxílio à detecção de anomalias em batimentos cardíacos e apoio à decisão médica. Os sistemas foram desenvolvidos para a identificação de arritmia rítmica e arritmias morfológicas a partir de sinais obtidos de um Eletrocardiograma (ECG). Ambos os sistemas são baseados em uma estrutura competitiva de Redes Neurais Convolucionais (CNN) Auto-associativas, sendo que cada rede foi treinada para reconstrução dos sinais apresentados na sua entrada. Para o caso do classificador rítmico, o sistema foi desenvolvido a partir do uso dos sinais do ECG, sem passar por um processo de extração de características, e para o caso do classificador morfológico o sistema se baseou no complexo QRS extraído do sinal de ECG. Para desenvolvimento e teste dos sistemas foi utilizada a base de dados MIT-BIH Arrhythmia de sinais ECG. Uma acurácia de 88,9% foi alcançada para o Classificador Rítmico e de 81,73% para o Classificador Morfológico, no caso em que se considera a base de testes para avaliação. Os resultados obtidos demonstram a aplicabilidade das estruturas competitivas propostas para o problema de classificação de arritmias.
Acesso aberto (Open Access)
Metodologia para a classificação automática de doenças em plantas utilizando redes neurais convolucionais.
(Universidade Federal do Pará, 2019-11-07) REZENDE, Vanessa Castro; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318; SANTOS, Adam Dreyton Ferreira dos; http://lattes.cnpq.br/2616572481839756
As redes neurais convolucionais (CNNs) são uma das técnicas de aprendizado profundo que, devido ao avanço computacional dos últimos anos, alavancaram a área de visão computacional ao possibilitar ganhos substanciais nos mais variados problemas de classificação, principalmente aqueles que envolvem imagens digitais. Tendo em vista as vantagens na utilização dessas redes, diversas aplicações para a identificação automática de doenças de plantas foram desenvolvidas para assistência especializada ou ferramentas de triagem automática, contribuindo para práticas agrícolas mais sustentáveis e maior segurança na produção de alimentos. Nesse contexto, este trabalho tem como objetivo propor uma metodologia para a classificação de múltiplas patologias referentes a diversas espécies de plantas tendo como insumo uma base de dados composta de imagens digitais de doenças em plantas. Inicialmente, esta metodologia envolveu etapas de tratamento das imagens da base de dados de doenças em plantas para possibilitar que estivessem aptas a serem entradas dos modelos de CNNs selecionados (VGG16, RestNet101v1, ResNet101v2, ResNetXt50 e DenseNet169), assim como para geração de dez novas bases, variando entre 50 e 66 classes com maior representatividade, com o intuito de submeter os modelos a situações diversas. Após o treinamento dos modelos, um estudo comparativo foi conduzido com base em métricas de classificação amplamente utilizadas, como acurácia no teste, f1-score e área sob a curva. A fim de atestar a significância dos resultados obtidos, foi realizado o teste estatístico não-paramétrico de Friedman e dois procedimentos post-hoc, que demonstraram que ResNetXt50 e DenseNet169 obtiveram resultados superiores quando comparadas com VGG16 e ResNets.
Acesso aberto (Open Access)
Previsão de geração de energia fotovoltaica utilizando transformação de séries temporais em imagens e redes neurais convolucionais bidimensionais
(Universidade Federal do Pará, 2023-10-26) MONTEIRO, Diego Ramiro Melo; CASTRO, Adriana Rosa Garcez; http://lattes.cnpq.br/5273686389382860
Este trabalho apresenta uma nova abordagem baseada em Rede Neural Convolucional Bidimensional (Convolutional Neural Network – CNN) e técnicas de transformação de séries temporais em imagens, como Campo Angular Gramiano (Gramian Angular Field – GAF) e Gráfico de Recorrência (Recurrence Plot – RP), para previsão em curto prazo da geração de energia elétrica de uma microusina fotovoltaica conectada à rede elétrica, localizada no Centro de Excelência em Eficiência Energética da Amazônia – CEAMAZON, da Universidade Federal do Pará (UFPA). As técnicas de GAF e de RP foram utilizadas para transformação das séries temporais em imagens para serem utilizadas como entrada para a CNN. A previsão de geração de energia elétrica com maior precisão possibilita ao usuário conhecer com maior grau de acerto quais os possíveis custos para implantação da rede e os prazos para retorno financeiro, além de avaliar com maior assertividade a disponibilidade de carga que poderá ser conectada ao sistema. Os resultados da previsão com a utilização de GAF e RP em rede CNN 2D foram comparados com resultados utilizando outros tipos de rede neurais já consolidadas na área, como a Perceptron Multicamadas e a CNN 1D, tendo a CNN 2D obtido em alguns casos valores RMSE próximos ou um pouco inferiores, mostrando assim a aplicabilidade da utilização de imagens obtidas através de transformação das séries temporais de energia fotovoltaica em rede CNN 2D para o problema.
Acesso aberto (Open Access)
Rede neural convolucional aplicada à identificação de equipamentos residenciais para sistemas de monitoramento não-intrusivo de carga
(Universidade Federal do Pará, 2018-04-03) PENHA, Deyvison de Paiva; CASTRO, Adriana Rosa Garcez; http://lattes.cnpq.br/5273686389382860
Este trabalho apresenta a proposta de uma nova metodologia para identificação de equipamentos residenciais em sistemas de Monitoramento Não-Intrusivo de cargas. O sistema é baseado em uma Rede Neural Convolucional para classificação dos equipamentos, que utilizam, diretamente como entradas para o sistema, os dados do sinal transitório de potência de 7 equipamentos obtidos no momento em que estes são ligados em uma residência. A metodologia foi desenvolvida usando dados de um banco de dados público (REED) que apresenta dados coletados a uma baixa frequência (1 Hz). Os resultados obtidos na base de dados de testes apresentam acurácia superior a 90%, indicando que o sistema proposto é capaz de realizar a tarefa de identificação, além disso os resultados apresentados são considerados satisfatórios quando comparados com os resultados já apresentados na literatura para o problema em questão.
Acesso aberto (Open Access)
Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.
(Universidade Federal do Pará, 2019-09-11) MORAES, Hugo Riviere Silva; CASTRO, Adriana Rosa Garcez; http://lattes.cnpq.br/5273686389382860
Realizar o diagnóstico de faltas incipientes em transformadores mostra-se um grande desafio pois, devido à variabilidade das condições em que ocorrem as faltas, torna-se muito difícil definir a origem e o tipo de falta. Métodos convencionais baseados na análise dos gases dissolvidos em óleo vêm sendo utilizados pelas empresas para realizar o diagnóstico de faltas, porém, estes métodos ainda necessitam ser aplicados em conjunto para se chegar a um resultado satisfatório, além de dependerem bastante do conhecimento de um especialista da área. Visando solucionar as dificuldades relacionadas aos métodos convencionais, alguns sistemas baseados em Inteligência Computacional vêm sendo propostos na literatura e têm apresentado resultados promissores. Considerando a importância do diagnóstico de faltas em transformadores, este trabalho apresenta os resultados do estudo desenvolvido da aplicação de Redes Neurais profundas ao diagnóstico de faltas. Dois modelos são propostos utilizando Redes Neurais Convolucionais e Redes Neurais Autocodificadoras Empilhadas. Para o desenvolvimento dos sistemas foi utilizada a base de dados TC 10 com situações de transformadores faltosos. Esta base foi utilizada para desenvolvimento do método IEC 60599, que é um dos principais métodos usados pelas concessionárias de energia para diagnóstico de transformadores através da análise dos gases dissolvidos em óleo. Os resultados promissores alcançados com os dois modelos propostos (acurácia de 100% na base de teste) se sobressaíram a outros encontrados na literatura, mostrando a grande aplicabilidade das redes neurais profundas ao problema de diagnóstico de faltas incipientes de transformadores. Portanto, mostra-se uma melhor alternativa que os métodos convencionais geralmente utilizados.