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

Defesa de Dissertação de Doutorado do aluno Leonardo Cardia da Cruz

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

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

Defesa de Dissertação de Mestrado do aluno Victor Augusto Lima L.

Defesa de Dissertação de Mestrado do aluno Victor Augusto Lima L.

Título da dissertação: TuningChef: uma abordagem para escolher as ações de sintonia fina de banco de dados com melhor custo-benefício

Resumo: Enquanto muitos trabalhos de pesquisa propõem uma forma de listar um conjunto de opções de sintonia fina para uma determinada carga de trabalho, poucos oferecem uma maneira de ajudar o DBA a tomar melhores decisões ao encontrar um conjunto de ações disponíveis, principalmente ao levar em consideração suas próprias. TuningChef é o resultado do desenvolvimento de uma proposta do passo a passo desse processo de decisão. Dado um conjunto de opções de sintonia fina, recomendamos o subconjunto de melhor custo-benefício com contexto suficiente para que o DBA entenda a motivação por trás de cada decisão, com a possibilidade de deixar o usuário construir seu próprio subconjunto e verificar o impacto esperado.

Orientador: Prof. Dr. Sergio Lifschitz

Banca: 

Prof. Dr.  Javam de Castro Machado

Prof(a) Dr(a) Fernanda Araujo Baião

Prof(a) Dr(a) Juliana Alves Pereira

Prof. Dr. Edward Hermann Haeusler

Acompanhe-nos pelo link:  https://puc-rio.zoom.us/j/93725142535?pwd=YXdKdXhxY3BWQmQxU1RHNWkwTXZUdz09

Defesa de Dissertação de Mestrado do aluno Lucas Aguiar Pavanelli

Defesa de Dissertação de Mestrado do aluno Lucas Aguiar Pavanelli

Título da dissertação: An End-to-End Model for Joint Entity and Relation Extraction in Portuguese

Resumo: As técnicas de processamento de linguagem natural (PLN) estão se tornando populares recentemente. A gama de aplicativos que se beneficiam da PLN é extensa, desde criar sistemas de tradução automática até ajudar no marketing de um produto. Dentro da PLN, o campo de Extração de Informações (IE) é difundido; concentra-se no processamento de textos para recuperar informações específicas sobre uma determinada entidade ou conceito. Ainda assim, a comunidade de pesquisa se concentra principalmente na construção de modelos para dados na língua inglesa. Esta tese aborda três tarefas no domínio do IE: Reconhecimento de Entidade Nomeada, Extração de Relações Semânticas e Extração Conjunta de Entidade e Relação. Primeiro, criamos um novo conjunto de dados em português no domínio biomédico, descrevemos o processo de anotação e medimos suas propriedades. Além disso, desenvolvemos um novo modelo para a tarefa de Extração Conjunta de Entidade e Relação, verificando que o mesmo é competitivo em comparação com outros modelos. Finalmente, avaliamos cuidadosamente os modelos propostos em textos de idiomas diferentes do inglês e confirmamos a dominância de modelos baseados em redes neurais.

Orientador: Prof. Dr. Eduardo Sany Laber

Banca: 

Prof. Dr. Sérgio Colcher

Prof. Dr. Thiago Castro Ferreira

Prof. Dr. Helio Côrtes Vieira Lopes

Acompanhe-nos pelo link: https://puc-rio.zoom.us/j/94612639630?pwd=ODh1VnJXQUhSN0huVVg1TDhISDlhQT09

 

 

Defesa de Dissertação de Mestrado da aluna Nelia C. Reis

Defesa de Dissertação de Mestrado da aluna Nelia C. Reis

Título da dissertação: Classificação de fácies sísmicas utilizando multiatributos sísmicos

Resumo: A interpretação sísmica é um processo fundamental para a exploração de hidrocarbonetos. Essa atividade consiste na identificação de informação geológica através do processamento e análise de dados sísmicos. Com o crescimento acentuado e a complexidade dos dados sísmicos, a análise manual de fácies sísmicas tornou-se um desafio significativo. O mapeamento de fácies sísmicas é um processo demorado e que requer profissionais especializados. O objetivo deste trabalho visa aplicar a classificação multiatributos usando uma rede neural encoder-decoder para mapear as fácies sísmicas e auxiliar no processo de interpretação. Um conjunto de atributos sísmicos, foram calculados utilizando o software Opendtect versão 6.6 a partir dos dados de amplitude contidos no Dataset Facies-Mark. Sendo eles: Energia, Pseudo Relevo, Fase instantânea e Textura, todos foram selecionados por um intérprete. A função de perda utilizada pela rede foi weighted categorical crossentropy, pelo fato das classes serem consideravelmente desbalanceadas. O treinamento foi realizado nas direções inlines e crosslines para as respectivas combinações: atributos, atributo + amplitude, e somente a amplitude. Os resultados baseado na métrica frequency weighted intersection over union (FWIU), mostraram que os atributos junto com a amplitude obtiveram o melhor resultado, 85,73%, em comparação com as outras combinações citadas. Em comparação direta com o trabalho que inspirou essa dissertação, o multiatributos performou melhor.

Orientador: Prof. Dr. Marcelo Gattass

Banca:

Prof. Dr. Aristófanes Corrêa Silva

Prof. Dr. Alberto Barbosa Raposo

Prof. Dr. Jan Jose Hurtado Jauregui

Prof. Dr. Helio Côrtes Vieira Lopes

Acompanhe-nos pelo link: https://puc-rio.zoom.us/j/91303208713?pwd=cFB5SU5kaXdEUEFaZ0tOdG1DRHRmUT09

 

 

Defesa de Dissertação de Mestrado da aluna Mayara Gomes Silva

Defesa de Dissertação de Mestrado da aluna Mayara Gomes Silva

Título da dissertação:  Identificação de horizontes em sísmica usando rede neural convolucional 

Resumo: A interpretação estrutural sísmica é um passo essencial na exploração e produção de reservas de hidrocarbonetos. Essa interpretação requer a identificação de feições geológicas como fácies, horizontes e falhas na região de interesse. A identificação manual desses recursos é uma tarefa maçante e demorada. As redes neurais convolucionais (CNN) são amplamente utilizadas em problemas de visão computacional, apresentando excelentes resultados em diversas situações, inclusive no processo de interpretação sísmica. Este trabalho estuda redes neurais convolucionais supervisionadas para segmentar linhas de horizonte separando fácies sísmicas com base na amplitude sísmica. Avaliamos nossa proposta usando o bloco F3 com as anotações de fácies sísmicas. Nas anotações do conjunto de dados original, os rótulos eram áreas anotadas para cada fácies sísmica, então esse conjunto de anotações foi alterado de um problema multiclasse para binário, considerando apenas a fronteira entre uma fácies sísmica e sua vizinha. Na previsão de horizonte duas redes foram analisadas, a rede ResUnet e a DC-Unet, que são redes baseadas na Unet. Além disso, algumas funções de perda são analisadas para otimizar o resultado da segmentação. A função Generalized Dice loss e a Focal Tversky Loss. A métrica Dice atingiu índice acima de 50% com a função de perda Focal Tversky, mostrando resultados promissores.

 

Orientador: Prof. Dr. Marcelo Gattass

Banca: 

Prof. Dr. Aristófanes Corrêa Silva

Prof. Dr. Alberto Barbosa Raposo

Prof. Dr. Jan Jose Hurtado Jauregui

Prof. Dr. Helio Côrtes Vieira Lopes

 

Acompanhe-nos pelo link: https://puc-rio.zoom.us/j/95961207118?pwd=UzU4OW5UNHJaYjFnQTRUSUkwMks4QT09

 

 

Defesa de Dissertação de Mestrado do aluno Anderson S. Fonseca

Defesa de Dissertação de Mestrado do aluno Anderson S. Fonseca
Título da dissertação: Sistema de anotação baseado em visualização 3D com imagens 360º de instalações industriais
Resumo: Atualmente, empresas focadas em aperfeiçoar seus locais de trabalho usam modelos 3D como gêmeos digitais como parte das suas atividades. Estes modelos podem ser usados para criação de planejamento, extração de dados reais, simulação e treinamento. Porém, um gêmeo digital defeituoso, ou seja, que apresenta informações incorretas, podem gerar reproduções ou diagnósticos diferentes, arruinando quaisquer comparativos com a realidade. Para evitar este cenário, são usadas fotografias, fotografias 360°,vídeos, modelos 3D ou anotações como materiais de suporte para enriquecer um gêmeo digital, mas demanda um grande tempo para transferir e interligar informações entre cada tipo de recurso. Este trabalho apresenta uma ferramenta que explora os benefícios de combinar imagens 360º de instalações industriais com modelos tridimensionais com a finalidade de gerar um gêmeo digital as-built. A ferramentas ser apresentada possui uma interface capaz de exibir um modelo tridimensional de uma plataforma em conjunto com diversas fotografias 360°. Cada imagem pode ser ajustada a uma localização dentro do sistema de coordenadas do modelo, inclusive permitindo alterações nos eixos e no campo de visão. Durante a navegação, é possível navegar livremente pelo modelo e pelas posições de interesse criadas pelo usuário. Além da visualização, a ferramenta propõe uma interação mais eficaz para realizar anotações entre modelos e fotografias 360° com a propósito de verificar consistências ou agregar novas informações ao gêmeo digital. Estas interações são importantes para a inspeção e manutenção, como avaliação de peças, análise das condições atuais ou a criação de comparativos entre o planejado e o real.
 
Orientador: Prof. Dr. Marcelo Gattass
Banca:
Prof. Dr Paulo Ivson Netto Santos
Prof. Dr Anselmo Cardoso de Paiva
Prof. Dr Waldemar Celes Filho
Prof. Dr Felipe Gomes de Carvalho
Prof. Dr Alberto Barbosa Raposo
Acompanhe-nos pelo link: https://puc-rio.zoom.us/j/99425486382?pwd=K05uKzJBeW9sdU9pT0NFWmtXMklLUT09

Defesa de Dissertação de Mestrado da aluna Anna Leticia A. P. de Oliveira

Defesa de Dissertação de Mestrado da aluna Anna Leticia A. P. de Oliveira
Título da dissertação: EventManager: Uma ferramenta de análise de programas concorrentes
Resumo: Alunos aprendendo programação concorrente muitas vezes têm dificuldades de testar seus programas por conta do não-determinismo presente no escalonamento de threads. Em geral, é difícil testar cenários específicos e mais difícil ainda repetir um determinado cenário para testar mudanças do código. Nesta tese, apresentamos a EventManager: uma ferramenta que criamos para permitir que um usuário instrumente seu programa, marcando eventos no código e especificando sequências de eventos através de uma linguagem de domínio específico (DSL). Esta linguagem restringe o escalonamento das threads para que obedeça as sequências permitidas para estes eventos. Descrevemos a implementação da EventManager para aplicações baseadas em threads POSIX. Investigamos a aplicação da ferramenta em soluções de problemas clássicos de concorrência para averiguar a expressividade da linguagem que criamos.
 
Orientador: Prof. Dr. Roberto Ierusalimschy
Banca:
Prof.(a) Dr(a) Silvana Rossetto
Prof. Dr Luiz Fernando Bessa Seibel
Prof.(a) Dr(a) Noemi de La Rocque Rodriguez
Acompanhe-nos pelo link: https://puc-rio.zoom.us/j/98494165094?pwd=dXVZZGFobTVEMGRxYkx4OVdpME5wUT09