Defesa de doutorado do aluno Antônio José Grandson Busson
Título da tese:
A Self-supervised Method for Blind Denoising of Seismic Shot Gathers
Resumo:
Nos últimos anos, a geofísicos tem se dedicado ao aprimoramento da qualidade dos dados sísmicos por meio da atenuação de ruído e interpolação de sismogramas usando métodos puramente baseados em CNN. Métodos baseados em CNN podem alcançar resultados estado-da-arte para remoção de ruídos. No entanto, eles não se aplicam a cenários sem dados de treinamento emparelhados (ou seja, dados sísmicos ruidosos e dados sísmicos sem ruído correspondentes). Neste trabalho, tratamos a atenuação de ruídos de dados sísmicos como um problema de atenuação de ruído cega, que consiste em remover ruídos desconhecidos sem dados pareados. Em outras palavras, a base usada pelo modelo de denoiser é aprendida a partir das próprias amostras ruidosas durante o treinamento. Motivado por este contexto, o principal objetivo deste trabalho é propor um método auto-supervisionado para atenuação cega de dados sísmicos, que não requer análise prévia do sinal sísmico, nenhuma estimativa do ruído e nenhum dado de treinamento pareado.
O método proposto assume dois conjuntos de dados: um contendo shot gathers com ruídos e o outro com shot gathers sem ruídos. A partir desses dados, treinamos dois modelos: (1) Seismic Noise Transfer (SNT), que aprende a produzir shot gathers com ruído sintético contendo o ruído dos shot gathers com ruído e o sinal dos shot gathers sem ruído; E (2) Sismic Neural Denoiser (SND), que aprende a mapear os shot gathers com ruído sintético de volta à coleta aos shot gathers sem ruído original. Após o treinamento, o SND sozinho é usado para remover o ruído das capturas ruidosas originais. Nosso modelo SNT adapta o algoritmo Neural Style Transfer (NST) ao domínio sísmico. Além disso, nosso modelo SND consiste em uma nova arquitetura CNN baseada em fusão de atributos em várias escalas para eliminação de ruído em shot gathers. Nosso método produziu resultados promissores em experimentos, alcançando um ganho de PSNR de 0,9 em comparação com outros modelos de última geração.
Orientador:
Prof(a). Doutor(a) Sérgio Colcher
Banca:
Prof Doutor André Bulcão
Prof Doutor Julio Cesar Duarte
Prof Doutor Marcelo Gatass
Prof Doutor Alberto Barbosa Raposo
Prof Doutor Jônatas Wehrmann
Prof. Doutor Sergio Lifschitz
Prof. Doutor Alan Livio Vasconcelos Guedes
Acompanhe-nos pelo link:
Apresentamos hoje o LES – Laboratório de Engenharia de Software, que desenvolve projetos inovadores de pesquisa avançada em áreas de engenharia de software que requerem a aplicação e análise de técnicas e soluções altamente complexas. Atualmente o laboratório é coordenado pelo Prof. Carlos José Pereira Lucena e conta com a colaboração de professores, pesquisadores e alunos do DI da PUC-Rio.
Um dos grupos de pesquisa do LES com atuação bastante destacada é o Opus, coordenado pelo Professor Alessandro Garcia do DI da PUC-Rio.
Assim como outros laboratórios do DI da PUC-Rio, o LES proporciona aos alunos do Departamento a possibilidade de atuarem como colaboradores e ter contato com diversas teorias diretamente aplicadas à prática, buscando soluções para resolver problemas reais de diversas empresas através de projetos específicos desenvolvidos pelo laboratório.
Conheça mais sobre LES:
Conheça os Professores do Quadro Principal do DI
Grande parte do reconhecimento acadêmico do Departamento de Informática (DI) da PUC-Rio é devido aos professores do seu quadro principal, que atuam com excelência à frente de ensino e pesquisa, coordenando e atuando em laboratórios temáticos e orientando as pesquisas de mestrado e doutorado dos alunos. Eles também são responsáveis por coordenar os projetos de pesquisa do DI junto a órgãos de fomento e a empresas nacionais e internacionais, assim como pela criação e oferta de cursos de extensão e especialização lato sensu do DI.
Hoje, temos o prazer de apresentar o Professor Alessandro Garcia, cuja área de pesquisa é Engenharia de Software. Alessandro orienta pesquisas de mestrado e doutorado nesta área no DI e investiga técnicas para construção ágil de programas com qualidade, propondo soluções inovadoras para acelerar atividades recorrentes durante etapas de arquitetura, projeto, programação e evolução de software. Ele é colaborador do Laboratório de Engenharia de Software, onde coordena o grupo de pesquisa OPUS.
Mais informações podem ser encontradas na página profissional do professor Alessandro:
https://www.inf.puc-rio.br/~afgarcia/
Conheça o Instagram do nosso professor:
https://instagram.com/opus.group?utm_medium=copy_link
#professores #academia #computacao #informatica #engenhariadesoftware #dipucrio
Defesa de doutorado da aluna Ariane Moraes Bueno Rodrigues
Título da tese: Uncovering factors that influence how data visualizations are interpreted by non-experts
Resumo: As visualizações de dados são cada vez mais comuns na mídia tradicional e nas redes sociais. No entanto, a alfabetização visual da população não acompanhou essa crescente popularidade. É necessário para quem cria os gráficos montar uma comunicação visual que contenha as informações necessárias de forma atrativa e de fácil compreensão. Em contrapartida, é necessário para quem os consome captar as informações representadas pelos gráficos e extrair as análises do que vê. A importância da alfabetização visual é a capacidade de “ler” um gráfico, ou seja, olhar para um gráfico e identificar informações relevantes, tendências e discrepâncias em um determinado cenário. Neste trabalho, realizamos quatro estudos para explorar os fatores que influenciam o sucesso da análise de dados visuais. Identificamos questões que vão desde a distribuição de dados até a formulação de boas perguntas para enriquecer a exploração.
Orientador:
Prof(a). Doutor(a) Simone Diniz Junqueira Barbosa
Banca:
Prof Doutor Marco de Oliveira Lage
Prof(a) Doutora Milene Selbach Silveira
Prof Doutor Bruno Feijó
Prof Doutor Hélio Cortes Vieira Lopes
Prof. Doutor Vinicius Costa Villas Boas
Prof. Doutor Alberto Barbosa Raposo
Acompanhe-nos pelo link:
https://puc-rio.zoom.us/j/97038531029?pwd=TXhZb0Zqb2dXZHFWcjZjTjBWQVdmQT09
#tese #doutorado #pesquisa #desenvolvimento #alunos #dipucrio
Autor: Pedro Vinicius Almeida de Freitas
Orientador: Sérgio Colcher
Data e Hora: 01/04/2022 às 14:00h
Autor: Patricia Ferreira da Silva
Orientador: Hélio Côrtes Vieira Lopes
Data e Hora: 01/04/2022 às 10:00
Autor: Antonio José Grandson Busson
Orientador: Sérgio Colcher
Data e Hora: 24/03/2022 às 16:00h
#paperoftheday
Tittle: Enveloping CAD models for visualization and interaction in XR applications
Reference: Engineering with Computers volume 38, pages781–799 (2022)
Authors: Jan Hurtado, Anselmo Montenegro, Marcelo Gattass, Felipe Carvalho, Alberto Raposo
Abstract: 3D visualization of and interaction with CAD models are fundamental tasks in web and mobile XR applications. Meshes of CAD model surfaces, however, have too many triangles to be interactively rendered in these environments. Despite all development in mesh simplification literature, currently, there is no algorithm capable of producing a low-poly representation of the CAD model’s outer shape with only thousands of triangles. In this work, we propose a new automatic method to obtain a radically simplified representation of a CAD model by computing an adaptive envelope that wraps it. This envelope is represented by a 2-manifold triangular mesh that iteratively approximates the outer surface of the CAD model to capture its details. The envelope’s topology allows the surface to be further decimated using classical algorithms to reach the desired resolution. Furthermore, the representation proposed here can also be easily parameterized to obtain texture coordinates and then apply a texture baking technique. We also present an evaluation of the geometric and visual error of our method using real models.
More in: https://doi.org/10.1007/s00366-020-01040-9
Defesa de doutorado do aluno Thales Levi Azevedo Valente
https://puc-rio.zoom.us/j/95153657421?pwd=OWkvVm9mMzZEQ2RDZnFKN3I1amltQT09
Título da tese:
Method for automatic detection of stamps in scanned documents using deep learning and synthetic data generation by instance augmentation.
Resumo:
Documentos digitalizados em ambientes de negócios substituíram grandes volumes de papéis. Profissionais autorizados usam carimbos para certificar informações críticas nesses documentos. Muitas empresas precisam verificar o carimbo adequado de documentos de entrada e saída. Na maioria das situações de inspeção, as pessoas usam seus próprios olhos para identificar carimbos, e a verificação manual de carimbos é cansativa, suscetível a erros e ineficiente em termos de tempo gasto e resultados esperados. Erros na verificação manual de carimbos podem gerar multas de órgãos reguladores, interrupção de operações e até mesmo comprometer fluxos de trabalho e transações financeiras. Propomos duas técnicas que combinadas podem resolver esse problema automatizando totalmente a detecção de carimbos em documentos digitalizados do mundo real.
Nossas técnicas podem lidar com conjuntos de dados contendo muitos tipos de carimbos minoritários (de tamanho de amostra pequena), com sobreposições, combinações diferentes por página e dados ausentes. Na primeira técnica, propomos uma arquitetura de rede profunda projetada a partir da relação entre os problemas identificados em carimbos do mundo real e os desafios e soluções da tarefa de detecção de objetos apontados na literatura.
Na segunda técnica, propomos um método para aumentar, por exemplo, conjuntos de dados de carimbos a partir de dados reais para investigar se é possível detectar tipos de carimbos com amostras insuficientes.
Avaliamos os hiperparâmetros da abordagem de aumento de instâncias e os resultados obtidos através de um método Deep Explainability. Alcançamos resultados de última geração para a tarefa de detecção de carimbos combinando com sucesso essas duas técnicas.
Orientador:
Prof. Doutor Marcelo Gattas, PUC-Rio
Banca:
Prof. Doutor Paulo Ivson Netto Santos, PUC-Rio
Prof. Doutor Aristófanes Corrêa Silva, UFMA
Prof. Doutor Waldemar Celes Filho, PUC-Rio
Acompanhe-nos também no site:
Autor: Ariane Moraes Bueno Rodrigues
Orientador: Simone Diniz Junqueira Barbosa
Data e Hora: 22/03/2022 às 13:00
