Defesa de Dissertação de Mestrado do aluno Yan Martins B.G.Cunha

Título da dissertação: Classifying Images with Unclear Patterns: From Visual Features to Narrative Importance

Resumo: O campo de classificação de imagens tem sido bastante explorado há anos, em especial com o grande avanço de redes neurais da última década. No entanto, grande parte do foco tem sido dedicado a casos com grandes diferenças inter-classe e pequenas diferenças intra-classe. Neste trabalho exploramos o quão bem redes convolucionais lidam com casos com pequenas diferenças inter-classe e cujas classificações carregam um grau de subjetividade, torando não óbvia a relação entre features visuais e classifcação e diferenciando isso do campo tradicional de finegrained classificaiton. Para isso, abordamos um caso específico deste problema: Determinar a importância narrativa de um personagem a partir somente de sua imagem. Avaliamos a performance de CNNs em nossa tarefa, usando um dataset que criamos para ela, e analisamos que padrões conseguimos encontrar no quis diz respeito da relação entre features visuais e classifcação. Mostramos que, especificamente para a tarefa que estudamos, CNNs conseguem superar a performance humana em termos de acurácia e, além disso, refletem vários dos padrões apresentados por humanos quando julgam personagens, até mesmos alguns padrões que não refletem a realidade. Isto significa que esse tipo de modelo pode ser um possível substiuto para avaliadores humanos para propósitos de character design.

Orientador: Prof. Dr. Sérgio Colcher

Banca:

Prof. Dr. Alberto Barbosa Raposo

Prof. Dr. Antonio José Grandson Busson

Prof. Dr. Edward Hermann Haeusler

Acompanhe-nos pelo link: http://www.inf.puc-rio.br/blog/noticia/noticia/defesa-de-dissertacao-de-mestrado-classifying-images-with-unclear-patterns-from-visual-features-to-narrative-importance

Último dia de inscrição para a pós-graduação em Informática (Mestrado e Doutorado) na PUC-Rio!

Vocês terão uma nova oportunidade para se inscreverem no programa de pós-graduação em Informática, oferecido pelo Departamento de Informática (DI) da PUC-Rio, pois as inscrições foram prorrogadas para o dia 09 de dezembro de 2022!

O programa foi duplamente pioneiro na área de computação no Brasil: o primeiro a ser criado (em 1967) e o primeiro a receber conceito 7 (máximo) da CAPES — conceito atribuído a instituições que possuem excelência em pesquisa. O conceito 7 foi mantido desde então em todas as avaliações e acaba de ser renovado também na última avaliação, confirmando a excelente produção intelectual e o caráter de vanguarda do programa!?Se você pretende fazer um mestrado ou doutorado na área de computação, se inscrever para o DI da PUC-Rio é sem dúvida uma escolha acertada!

Candidatos ao título de mestre ou doutor em Informática poderão se inscrever nas seguintes linhas de pesquisa: Banco de Dados, Ciência de Dados, Computação Gráfica,?Engenharia de Software, Hipertexto e Multimídia, Interação Humano-Computador, Linguagens de Programação, Otimização e Raciocínio Automático, Redes de Computadores e Sistemas Distribuídos ou Teoria da Computação.

Cada área de concentração tem diversos temas de pesquisa sendo trabalhados, dentre as quais se pode citar: Internet das Coisas e Computação Móvel, Jogos e Entretenimento Digital, Machine Learning, Metaverso e Realidade Virtual Aumentada, Engenharia de Software para Ciência de Dados, entre outras. O DI atua também em temas interdisciplinares, como Bioinformática e Inteligência Artificial (pesquisadas em várias das áreas de concentração do DI).

O programa se situa em uma universidade que é líder em integração com indústria na América Latina e é comum que os alunos tenham oportunidades de atuação em projetos de pesquisa e desenvolvimento durante seus cursos de pós-graduação.

Para mais informações veja o edital no site: http://www.inf.puc-rio.br/pos-graduacao/

Inscrições prorrogadas para a pós-graduação em Informática (Mestrado e Doutorado) na PUC-Rio!

Para mais informações veja o edital no site: http://www.inf.puc-rio.br/pos-graduacao/

Última semana para inscrição – Mestrado e Doutorado em Informática

Última semana para se inscrever!

O programa de pós-graduação em Informática (Mestrado e Doutorado), oferecido pelo Departamento de Informática (DI) da PUC-Rio está com inscrições abertas até sexta-feira, dia 25 de novembro de 2022.

Para mais informações veja o edital no site: http://www.inf.puc-rio.br/pos-graduacao/

Inscrições abertas para o Mestrado e Doutorado Acadêmico em Informática

Inscrições abertas para o Mestrado e Doutorado Acadêmico em Informática

Oportunidade!

As inscrições para o programa de pós-graduação em Informática (Mestrado e Doutorado), oferecido pelo Departamento de Informática (DI) da PUC-Rio estão abertas e ficarão disponíveis até o dia 25 de novembro de 2022!

Defesa de Dissertação de Mestrado do aluno Bruno Yusuke

Título da dissertação: Estratégias para otimizar processos de anotação e geração de datasets de segmentação semântica em imagens de mamografia

Resumo: Com o avanço recente do uso de aprendizagem profunda supervisionada (supervised deep learning) em aplicações no ramo da visão computacional, a indústria e a comunidade acadêmica vêm evidenciando que uma das principais dificuldades para o sucesso destas aplicações é a falta de datasets com a suficiente quantidade de dados anotados. Nesse sentido aponta-se a necessidade de alavancar grandes quantidades de dados rotulados para que estes modelos inteligentes possam solucionar problemas pertinentes ao seu contexto para atingir os resultados desejados. O uso de técnicas para gerar dados anotados de maneira mais eficiente está sendo cada vez mais explorado, juntamente com técnicas para o apoio à geração dos datasets que servem de insumos para o treinamento dos modelos de inteligência artificial. Este trabalho tem como propósito propor estratégias para otimizar processos de anotação e geração de datasets de segmentação semântica. Dentre as abordagens utilizadas neste trabalho destacamos o Interactive Segmentation e Active Learning. A primeira, tenta melhorar o processo de anotação de dados, tornando-o mais eficiente e eficaz do ponto de vista do anotador ou especialista responsável pela rotulagem dos dados com uso de um modelo de segmentação semântica que tenta imitar as anotações feitas pelo anotador. A segunda, consiste em uma abordagem que permite consolidar um modelo deep learning utilizando um critério inteligente, visando a seleção de dados não anotados mais informativos para o treinamento do modelo a partir de uma função de aquisição que se baseia na estimação de incerteza da rede para realizar a filtragem desses dados. Para aplicar e validar os resultados de ambas as técnicas, o trabalho os incorpora em um caso de uso relacionado em imagens de mamografia para segmentação de estruturas anatômicas.

Orientador: Alberto Barbosa Raposo

Banca:

Prof. Dr. Marcelo Blois Ribeiro

Prof. Dr. Marcelo Gattass

Prof. Dr. Sérgio Colcher

Acompanhe-nos também no site: https://puc-rio.zoom.us/j/92538663299?pwd=bUxqL2MrOWViN09iQmhGeFVlMTFQdz09

Defesa de Dissertação de Mestrado do aluno Pedro Ferreira Alves Pinto

Defesa de Dissertação de Mestrado do aluno Pedro Ferreira Alves Pinto

Título da dissertação: Super Resolução de Imagens Sísmicas

Resumo: A super resolução (SR) é um tema de suma importância em domínios de conhecimentos variados, como por exemplo a área médica, de monitoramento e de segurança. O uso de redes neurais profundas para a resolução desta tarefa é algo extremamente recente no universo da sísmica, tendo poucas referências, as quais começaram a ser divulgadas há menos de 2 anos. Todavia, a literatura apresenta uma vasta gama de métodos, que utilizam redes neurais para a super resolução de imagens naturais. Tendo isto em vista, o objetivo deste trabalho é explorar tais abordagens aplicadas em dados sísmicos sintéticos de reservatórios. Para isto, foram empregados modelos de importância cronológica na literatura e foram comparados com um método clássico de interpolação e com os modelos da literatura de super resolução de imagens sísmicas. São estes modelos: o SRCNN, o RDN, a abordagem do Deep Image Prior e o SAN. Por fim, os resultados apresentam que o PSNR obtido por arquiteturas de projetos no domínio da sísmica equivale a 38.23 e o melhor resultado das arquiteturas propostas 38.62, mostrando o avanço que tais modelos trazem ao campo da sísmica.

Orientador: Prof. Dr. Sérgio Colcher

Banca:

Prof. Dr. Helio Côrtes Vieira Lopes

Prof. Dr. Alberto Barbosa Raposo

Prof. Dr. Sergio Lifschitz

Acompanhe-nos também no site: https://puc-rio.zoom.us/j/93281806564?pwd=bXJLYjFlMFl1ZzdwbHdSMDFvSkVEQT09

Defesa de Dissertação de Doutorado do aluno Leonardo Cardia da Cruz

Título da dissertação: Habilitando Anotações de Dados Autônomos: Uma Abordagem de Aprendizado por Reforço com Humano no Loop

Resumo: As técnicas de aprendizado profundo têm mostrado contribuições significativas em vários campos, incluindo a análise de imagens. A grande maioria dos trabalhos em visão computacional concentra-se em propor e aplicar novos modelos e algoritmos de aprendizado de máquina. Para tarefas de aprendizado supervisionado, o desempenho dessas técnicas depende de uma grande quantidade de dados de treinamento, bem como de dados rotulados. No entanto, a rotulagem é um processo caro e demorado. Uma recente área de exploração são as reduções dos esforços na preparação de dados, deixando-os sem inconsistências, ruídos, para que os modelos atuais possam obter um maior desempenho. Esse novo campo de estudo é chamado de Data-Centric IA. Apresentamos uma nova abordagem baseada em Deep Reinforcement Learning (DRL), cujo trabalho é voltado para a preparação de um conjunto de dados onde as anotações de caixas delimitadoras são feitas de modo autônomo e econômico. Nossa abordagem consiste na criação de uma metodologia para treinamento de um agente virtual a fim de rotular automaticamente os dados, a partir do auxílio humano como professor desse agente. Implementamos o algoritmo Deep Q-Network para criar o agente virtual e desenvolvemos uma abordagem de aconselhamento para facilitar a comunicação do humano professor com o agente virtual estudante. Para completar nossa implementação, utilizamos o método de aprendizado ativo para selecionar casos onde o agente possui uma maior incerteza, necessitando da intervenção humana no processo de anotação durante o treinamento. Nossa abordagem foi avaliada e comparada com outros métodos de aprendizado por reforço e interação humano-computador, em diversos conjuntos de dados, onde o agente virtual precisou criar novas anotações na forma de caixas delimitadoras. Os resultados mostram que o emprego da nossa metodologia impacta positivamente para obtenção de novas anotações a partir de um conjunto de dados com rótulos escassos, superando métodos existentes. Desse modo, apresentamos a contribuição no campo de Data-Centric IA, com o desenvolvimento de uma metodologia de ensino para criação de uma abordagem autônoma com aconselhamentos humanos para criar anotações econômicas a partir de anotações escassas.

Orientador: Prof. Dr. Alberto Barbosa Raposo

Co-orientador: Prof. Dr. Cesar Augusto Sierra Franco

Banca:

Prof. Dr. Anselmo Cardoso de Paiva

Prof(a) Dr(a) Sandra Eliza Fontes de Avila

Prof. Dr. Marcelo Gattass

Prof. Dr. Jan Jose Hurtado Jauregui

Prof. Dr. Luiz José Schirmer Silva

Prof. Dr. Helio Côrtes Vieira Lopes

Acompanhe-nos também no site: https://puc-rio.zoom.us/j/99944871210?pwd=clk0QUtqM2lyNTFJZTFIYms1WUFTQT09

Defesa de Dissertação de Mestrado do aluno Felipe Poggi de A. Fraga

Título da dissertação: On Automatic Generation of Knowledge Connections

Resumo: Contexto: Recentemente, o tópico de Gestão de Conhecimento Pessoal vem ganhando muita popularidade, ilustrado pelo rápido crescimento de aplicativos como Notion, Obsidian, e Roam Research e da aparição de livros como ”How to Take Smart Notes” e ”Building a Second Brain”.Contudo, ainda é uma área que não foi fortemente envolvida pelo Processamento de Linguagem Natural, abrindo assim uma oportunidade para a aplicação do processamento de texto aplicado à operações com conhecimento.Objetivo: Nosso objetivo é o desenvolvimento de um sistema de software que utiliza Processamento de Linguagem Natural (NLP) para transformar uma coleção de textos isolados em uma coleção de textos inter-conectada e internavegável, através de mecanismos de navegação baseados em conceitos mencionados e recomendações semânticas.Trabalho: Neste trabalho apresentamos a metodologia para construir o sistema, demonstrações com exemplos palpáveis, assim como uma avaliação para determinar a coerência dos resultados.

Orientador: Prof. Dr. Marcus Vinicius Soledade Poggi de Aragao

Banca:

Prof. Dr. Marco Antonio Casanova

Prof(a) Dr(a) Simone Diniz Junqueira Barbosa

Prof. Dr. Helio Côrtes Vieira Lopes

Acompanhe-nos também pelo link: https://puc-rio.zoom.us/j/99231065632?pwd=T1lWTS9vWlVidUd4ZWp2citocTN5Zz09

Defesa de Dissertação de Mestrado do aluno Arthur Monteiro

Defesa de Dissertação de Mestrado do aluno Arthur Monteiro

Título da dissertação: Districting and Vehicle Routing: Learning the Delivery Costs

Resumo: O problema de Districting-and-routing é um problema estratégico no qual porções geográficas devem ser agregadas em regiões de entrega, e cada região de entrega possui um custo estimado de roteamento no longo prazo. O objetivo do problema é minimizar os custos de roteamento esperados, além de garantir a divisão regional através da definição dos distritos. A simulação para obter uma boa aproximação dos custos estimados requer um grande esforço computacional, enquanto mecanismos como busca local precisam que esse cálculo seja feito de forma muito eficiente, tornando essa estratégia de cálculo inviável. A maioria das abordagens de solução existentes para esse problema se baseiam em fórmulas de aproximação contínua para medir custos, embora normalmente rápidas, essas fórmulas podem cometer erros significativos. Em contraste, propomos uma Rede Neural Grafo (GNN) treinada em um conjunto de cenários, que é então usada dentro de uma abordagem de otimização para inferir custos de roteamento. Nossos experimentos computacionais em várias cidades do Reino Unido mostram que a GNN produz previsões de custos precisas. Além disso, usar esse melhor estimador durante uma busca local impacta positivamente a qualidade das soluções, levando a uma economia de 10,35% no custo de entrega em relação a função Beardwood, que é comumente usada nesses cenários, e ganhos similares em comparação com outros métodos de aproximação.

Orientador: Prof. Dr. Thibaut Victor Gaston Vidal

Co-orientador: Prof. Dr. Quentin Cappart

Banca:

Prof. Dr. Alberto Maria Santini

Prof. Dr. Marcus Vinicius Soledade Poggi de Aragao

Prof. Dr. Helio Côrtes Vieira Lopes

Acompanhe-nos também pelo link: https://polymtl-ca.zoom.us/j/9098098533