Local: Sala Multiuso CIC
Horário: 14h
Palestrante: Alessandro Rodrigues e Silva (doutorando)
Orientador: Profa. Mylène Farias
Título: Quality of User Experience (QUX) for advanced multimedia services
Resumo:In the last decade, several types of multimedia services have been emerged, virtual reality, augmented/mixed reality, 360 videos, all of them may use 3D content to enhance the experience. Still, the level of acceptability and popularity these applications are strongly correlated to the quality of User Experience (QuX), i.e. the user's opinion should be taken into consideration when designing and testing his applications. Since research in this area depends heavily on data acquired in psychophysical experiments, a platform, and databases, that takes in to account the user, and the content, are considered important tools to researchers and developers of these technologies. In this work, our first goal is to build a platform and databases of 3D-enabled technologies, that contains a set of typical stereoscopic distortions. Our second goal is to understand how these stereoscopic degradations are perceived by viewers and how it influences the Quality of User Experience.
Horário: 14h30
Palestrante: José Pergentino de Araújo Neto (doutorando)
Orientador: Profa. Célia Ghedini Ralha
Título: Uma Arquitetura Resiliente Baseada em Agentes para Uso de Instâncias Transientes na Computação em Nuvem
Resumo:Nesta palestra será apresentada uma proposta de arquitetura baseada em agentes para fornecer um ambiente resiliente utilizando instâncias transientes na nuvem computacional. A proposta utiliza uma abordagem multiestratégica de tolerânica a falhas para aumentar a disponibilidade e garantir a execução de aplicações. Os agentes utilizam raciocínio baseado em casos apoiado por um modelo estatístico para prever o tempo de sobrevivência das instâncias transientes e ajustar os parâmetros de tolerância a falhas. A proposta foi validada utilizando dados reais recuperados entre 2017 e 2019 das instâncias spot da Amazon. Os experimentos demonstraram bons níveis de acurácia (92%) na predição do tempo de sobrevivência das instâncias spot, possibilitando seu uso na prevenção de falhas de revogação. Consideramos os resultados promissores tendo em vista ganhos de até 74,48% no tempo total de execução, reduzindo o custo do usuário, quando comparado a outras abordagens da literatura.
Horário: 15h
Palestrante: Rafael Marconi (doutorando)
Orientador: Profa. Célia Ghedini Ralha
Título: Increasing Accuracy of Medical CNN Applying Optimization Algorithms: an Image Classification Case
Resumo: Convolutional Neural Networks (CNN) for medical image classification involves particular features, such as: big images, expensive training, complex architecture with several layers and hyperparameters. Thus, increasing the accuracy or adjusting medical CNN is a challenging task that requires many resources, much time, and specialized knowledge. In this work, we proposed and tested an efficient approach to increase accuracy of a biomedical CNN using optimization algorithms. Our approach starts with a known deep network architecture and tunes it, together with its hyperparameters, to generate a final adjusted one.We have reached improvements in the quality of the results of about 40% when starting from a simple architecture and 12% from a manually adjusted architecture, with only 40 tries in a biomedical image classification case.
Profa Célia Ghedini Ralha (Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.)
Coordenadora dos Seminários de Pós-Graduação em Informática 2019-2