Banca de QUALIFICAÇÃO: DANIELLE ABREU FORTUNATO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: DANIELLE ABREU FORTUNATO
DATA: 27/07/2023
HORA: 14:00
LOCAL: online
TÍTULO:

Modelagem Granular Convolucional Evolutiva para Classificação de Fluxo de Imagens

PALAVRAS-CHAVES:

Visão computacional. Recohecimento de imagens. Sistemas inteligentes evolutivos. Aprendizado profundo. Computação granular.

PÁGINAS: 49
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
RESUMO:

Os recentes avanços na aprendizagem profunda para a visão computacional e classificação de imagens enfatizam: (i) a explicabilidade ou interpretabilidade do modelo de classificação neural profunda resultante; e (ii) a capacidade de aprendizagem contínua do modelo neural após a sua implementação num ambiente de fluxo de imagem interminável. É proposta uma estrutura de Rede Neural Granular Evolutiva Convolucional, para resolver ambas as questões, ou seja, para fornecer um nível mais elevado de interpretabilidade ao modelo neural, e realizar uma aprendizagem contínua ao longo da vida. A CEGNN acopla parte de uma Rede Neural Convolucional (CNN) típica com uma Rede Neural Granular Evolutiva (EGNN). A estrutura e os parâmetros da EGNN são gradualmente desenvolvidos e atualizados, com base nos componentes principais (PCA) das variáveis latentes extraídas do fluxo das imagens. Em particular, optamos por investigar a CNN VGG-16 para gerar um espaço latente; e uma EGNN composta por grânulos fuzzy trapezoidais e funções de agregação de T-norma e S-norma para capturar novos padrões e classificar imagens. Efetuamos um truque de PCA no ponto de acoplamento VGG-EGNN, que acelera o projeto da EGNN e aumenta a precisão e o nível de interpretabilidade da CEGNN.

MEMBROS DA BANCA:
Presidente - SILVIA COSTA FERREIRA (Membro)
Externo à Instituição - EDUARDO ALMEIDA SOARES - IBM (Membro)
Externo ao Programa - DANILO ALVES DE LIMA - DAT/EENG (Membro)
Externo à Instituição - DANIEL FURTADO LEITE - UAI (Suplente)