Navegando por Assunto "Redes neurais convolucionais"

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)
Análise de desempenho de mecanismos de atenção para estimativa de pose 2D baseada em resnet-50
(Universidade Federal do Pará, 2025-09-11) MALHEIROS, Marlon Nanael Leitão; CASTRO, Adriana Rosa Garcez; http://lattes.cnpq.br/5273686389382860; https://orcid.org/0000-0001-5884-4511; ARAÚJO, Jasmine Priscyla Leite de; FONSECA, Maria da Conceição Pereira; OHASHI JÚNIOR, Orlando Shigueo; http://lattes.cnpq.br/4001747699670004; http://lattes.cnpq.br/3496755183083633; http://lattes.cnpq.br/8905793797626608; https://orcid.org/0000-0003-3514-0401; xxx; xxx
A estimação de pose humana 2D é um problema fundamental em visão computacional que visa identificar a localização de pontos anatômicos humanos. A evolução do aprendizado profundo, em particular das Redes Neurais Convolucionais (CNNs), tem proporcionado avanços significativos no campo. Recentemente, a introdução de mecanismos de atenção se destacou como uma abordagem eficaz para aprimorar o foco das CNNs em regiões importantes das imagens. Esta dissertação apresenta um estudo comparativo do impacto de seis mecanismos de atenção na tarefa de estimação de pose humana 2D, integrando-os a uma arquitetura CNN baseada em ResNet-50: Convolutional Block Attention Module (CBAM), Coordinate Attention, Global Context Attention, Self-Attention, Multi-Head Attention e SimAM (Simple, Parameter Free Attention Module). O treinamento e a avaliação dos modelos utilizaram o conjunto de imagens MS COCO (Common Objects in Context) sob um protocolo experimental unificado. Os resultados quantitativos demonstraram que todos os mecanismos de atenção testados melhoraram o desempenho da arquitetura base. Os mecanismos CBAM e Coordinate Attention mostraram-se os mais eficazes, com os maiores ganhos na métrica principal Average Precision (AP). O modelo com Coordinate Attention alcançou uma AP de 67,7% (+1,5 p.p.), enquanto o modelo com CBAMatingiu 67,6% (+1,4 p.p.), obtendo também a melhor pontuação na métrica secundária AP75. A análise de custo-benefício revelou que CBAM e Coordinate Attention alcançaram esses ganhos com acréscimo mínimo de parâmetros e FLOPS. Em contraste, Self-Attention, de maior custo computacional, apresentou um dos menores ganhos, enquanto SimAM, livre de parâmetros, obteve o menor ganho sem custo adicional. Em síntese, os resultados demonstram que a integração de mecanismos de atenção é uma estratégia eficaz para aprimorar modelos de estimação de pose, destacando-se abordagens com ênfase em informação espacial explícita, como CBAMeCoordinate Attention, por oferecerem um excelente equilíbrio entre desempenho e eficiência computacional.
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 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)
Detecção de danos em superfícies geotécnicas com redes neurais convolucionais de baixa complexidade
(Universidade Federal do Pará, 2024-05-29) ARAÚJO, Thabatta Moreira Alves de; FRANCÊS, Carlos Renato Lisboa; ttp://lattes.cnpq.br/7458287841862567
A maioria dos desastres naturais resulta de eventos geodinâmicos, como deslizamentos de terra e colapso de estruturas geotécnicas. Essas falhas causam catástrofes que impactam diretamente o meio ambiente e causam perdas financeiras e humanas. A inspeção visual é o principal método para detectar falhas em superfícies de estruturas geotécnicas. Todavia, as visitas no local podem ser arriscadas devido à possibilidade de solo instável. Além disso, o design do terreno e as condições de instalação hostis e remotas inviabilizam o acesso a essas estruturas. Quando uma avaliação rápida e segura é necessária, a análise por visão computacional torna-se uma alternativa. No entanto, estudos em técnicas de visão computacional ainda precisam ser explorados neste campo devido às particularidades da engenharia geotécnica, como dados públicos limitados, redundantes e escassos. Neste contexto, esta tese apresenta uma abordagem com Redes Neurais Convolucionais para a identificação de defeitos na superfície de estruturas geotécnicas com o objetivo de reduzir a dependência de inspeções no local conduzidas por humanos. Para tanto, foram coletadas imagens de taludes às margens de uma rodovia brasileira, com o auxílio de veículo aéreo não tripulado (VANT) e dispositivos móveis. Em seguida, foram exploradas arquiteturas de baixa complexidade para construir um classificador binário capaz de detectar em imagens falhas aparentes a olho nu humano. A arquitetura composta por 3 camadas convolucionais, cada uma com 32 filtros, seguidas por duas camadas densas de 128 neurônios cada, e saída com um neurônio apresentou acurácia de 94,26%. A avaliação de desempenho com o conjunto de teste obteve índice AUC de 0,99, matriz de confusão e precisão-revocação (AUPRC) que indicam desempenho robusto do classificador mesmo com desequilíbrio de classes, ao mesmo tempo que mantém uma baixa complexidade computacional, tornando-a adequada para aplicações práticas em campo. As contribuições da tese incluem a disponibilização de banco de imagens, a obtenção de um modelo de classificação adequado para dados escassos e desequilibrados e recursos computacionais limitados, e uma estratégia para automação da inspeção em estruturas geotécnicas.
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)
Monitoramento inteligente de peixes amazônicos: detecção e classificação com aprendizado profundo em passagens de peixes
(Universidade Federal do Pará, 2025-03-31) NOGUEIRA, Felipe de Luca dos Santos; NOLETO, Eurico; http://lattes.cnpq.br/9671212401003657; GIARRIZZO, Tommaso; http://lattes.cnpq.br/5889416127858884; SOUSA, Leandro Melo de; KEPPELER, Friedrich Wolfgang; DREWS JUNIOR, Paulo Lilles Jorge; http://lattes.cnpq.br/6529610233878356; http://lattes.cnpq.br/4743340542470876; http://lattes.cnpq.br/5551697165370587
A Bacia Amazˆonica possui um dos maiores potenciais hidrel´etricos do mundo, sendo respons´avel por uma parcela significativa da gera¸c˜ao de energia no Brasil. A constru¸c˜ao de empreendimentos hidrel´etricos na regi˜ao, como o Complexo Hidrel´etrico Belo Monte, visa atender `a crescente demanda energ´etica, mas tamb´em pode impactar a dinˆamica migrat´oria e a conserva¸c˜ao da ictiofauna amazˆonica. Diante disso, torna-se essencial o desenvolvimento de sistemas de monitoramento automatizados para avaliar a efetividade das estruturas de mitiga¸c˜ao, como as passagens de peixes. Este estudo apresenta o desenvolvimento de um sistema de monitoramento automatizado para a detec¸c˜ao e classifica¸c˜ao de esp´ecies de peixes na passagem de peixes da barragem do sitio Pimental, que integra o Complexo Hidrel´etrico Belo Monte. A pesquisa foi conduzida no sistema de transposi¸c˜ao de peixes (STP) da barragem do sitio Pimental, utilizando t´ecnicas de vis˜ao computacional. Para a constru¸c˜ao do conjunto de dados, quadros foram extra´ıdos de v´ıdeos subaqu´aticos capturados pelo STP, sendo posteriormente anotados manualmente na plataforma Darwin V7. O banco de dados resultante foi composto por 1000 imagens, divididas em conjuntos de treinamento (700), valida¸c˜ao (150) e teste (150). As dezenove esp´ecies foram selecionadas com base na frequˆencia de ocorrˆencia e importˆancia migrat´oria, sendo destacadas Phractocephalus hemioliopterus e Cichla melaniae, entre outras. A modelagem foi realizada utilizando Redes Neurais Convolucionais (RNCs), implementadas no modelo YOLO v8, conhecido por sua eficiˆencia em tarefas de detec¸c˜ao de imagens. A t´ecnica de aumento de dados (data augmentation) foi aplicada para expandir a diversidade do conjunto de treinamento, introduzindo transforma¸c˜oes como rota¸c˜oes, transla¸c˜oes, escalonamento e ajustes de brilho. O treinamento foi conduzido na plataforma Google Colab PRO, utilizando uma GPU NVIDIA A100, garantindo alto desempenho no processamento das imagens. Durante o processo, foram ajustados parˆametros como learning rate (0,01), momentum (0,937) e weight decay (0,0005), visando minimizar o overfitting e melhorar a generaliza ¸c˜ao do modelo. A avalia¸c˜ao do modelo foi realizada por meio de m´etricas como precis˜ao, recall, F1-score e mean Average Precision (mAP). Os resultados indicaram um desempenho superior para esp´ecies mais representadas no conjunto de dados, como Phractocephalus hemioliopterus (F1-score de 91%) e Cichla melaniae (87%). Esp´ecies menos frequentes apresentaram menor precis˜ao na classifica¸c˜ao, como Leporinus friderici (52%) e Leporinus sp2 (55%).As curvas de aprendizado demonstraram redu¸c˜ao progressiva das perdas de treinamento e valida¸c˜ao, evidenciando a capacidade do modelo de reconhecer padr˜oes visuais das esp´ecies. O modelo manteve desempenho consistente em diferentes condi¸c˜oes ambientais, incluindo alta turbidez e reflexos de ilumina¸c˜ao artificial, refor¸cando seu potencial para o monitoramento cont´ınuo da biodiversidade aqu´atica. Entretanto, algumas limita¸c˜oes foram identificadas, como a variabilidade sazonal na qualidade das imagens e a baixa representatividade de certas esp´ecies, o que pode comprometer a generaliza¸c˜ao do modelo. Al´em disso, o tempo de processamento e a necessidade de infraestrutura computacional robusta s˜ao fatores a serem considerados. A implementa¸c˜ao deste sistema no STP, dentro do Complexo Hidrel´etrico Belo Monte, representa um avan¸co na avalia¸c˜ao de estruturas mitigadoras de impactos ambientais, fornecendo informa¸c˜oes fundamentais para o manejo sustent´avel da fauna aqu´atica em grandes empreendimentos hidrel´etricos.
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.