Horário: 14h

Palestrante: Nilson Donizete Guerin Júnior (doutorado)

Orientador: Prof Bruno Macchiavello

Título: Codificação Neural com Restrição de Taxa

Resumo: O controle de taxa é um recurso desejável, às vezes um requisito, para várias aplicações de codificação de imagens estáticas. Normalmente, o objetivo é obter controle de taxa para todos os dados de entrada minimizando a distorção . No entanto, essa tarefa pode ser bastante desafiadora. A compressão de imagens baseada em redes é um novo paradigma que precisa ser competitivo com as técnicas convencionais de codificação de imagens. Um CODEC neural com perdas baseado pode exigir vários modelos treinados para diferentes requisitos de qualidade. Portanto, uma ferramenta de codificação que forneça a capacidade de atingir uma taxa específica pode ser um fator determinístico para aplicar tais modelos em cenários reais. Por esta razão, neste trabalho, é proposta uma solução não restrita o problema restrito de treinar um CODEC neural de imagem a fim de obter uma taxa de bits específica. A solução proposta requer uma função de perda modificada para autoencoder. Esta modificação permite controlar o desvio da taxa alvo especificada. Resultados experimentais mostram que autoencoders treinados com a função de perda proposta podem alcançar codificação com restrição de taxa com perdas desprezíveis em termos de SSIM e MS-SSIM.

Horário: 14h20

Palestrante: : Jeremias Moreira Gomes (doutorado)

Orientador: Prof George Teodoro

Título: Estudo de Parâmetros Eficiente em Aplicações de Análise de Imagens Médicas

Resumo: A análise de imagens de patologia permite caracterizações quantitativas valiosas para tecidos a nível subcelular. Embora exista um crescente conjunto de métodos para análise de tecidos em imagens, muitos deles são sensíveis a mudanças nos parâmetros de entrada. Avaliar como os resultados da análise são afetados por variações nos parâmetros de entrada é importante para o desenvolvimento de métodos robustos. Executar análises de sensibilidade de algoritmos variando sistematicamente os parâmetros de entrada é uma tarefa custosa, porque uma avaliação única com um número pequeno de imagens pode levar horas ou dias. O trabalho investiga o uso de Surrogate Models em conjunto com a execução paralela para acelerar a Análise de Sensibilidade. Essa abordagem reduz significativamente o custo da Análise de Sensibilidade, porque a execução utilizando Surrogate Models é módica. A avaliação de várias estratégias para construção de Surroagate Models com duas aplicações de segmentação de imagens demonstra que um estudo de Análise de Sensibilidade combinado com Surrogate Models alcança resultados próximos a uma Análise de Sensibilidade com execuções de aplicações reais. Também é mostrado que, embora o número de parâmetros da aplicação seja alto, a maior parte da incerteza pode estar associada a poucos parâmetros. Os resultados indicam que a Análise de Sensibilidade é uma ferramenta importante para avaliar a estabilidade das conclusões das análises de imagens médicas.

Horário: 14h40

Palestrante:Daniel da Silva Souza (doutorando)

Orientadora: Profa Maria Emilia M. T. Walter

Título: Uma modelagem baseada em agentes para reconstrução de redes de regulação gênica

Resumo: Interações entre produtos de genes são processos fundamentais que sustentam a capacidade da célula de modular a expressão gênica. Várias técnicas de medidas de alto desempenho segmentaram um caminho para o uso de abordagens estatísticas para reconstruir essas interações. Para modelagem, reconstrução e análise dessas redes, há diferentes representações de redes que variam desde modelos estáticos aos modelos dinâmicos e cinéticos, o que variam em níveis de complexidade do modelo e de sua abstração. Entretanto, redes de regulação gênica são representações abstratas do sistema e, por si só, não têm uma representação semântica que poderia vincular a rede ao comportamento dos nós (produtos de genes), por exemplo, sua dinâmica coletiva. Para reconstrução de uma rede com uma representação semântica do comportamento dos produtos de genes, uma modelagem baseada em agentes é capaz de capturar essa semântica em uma dinâmica coletiva entre os produtos de genes com baixa complexidade de modelo em valores discretos, sendo estes produtos de genes os agentes que interagem entre si. Em seguida, dados experimentais produzidos em laboratório de genes regulados pela proteína p53 foram coletados e integrados para realização de nossos experimentos. Os experimentos simulados apontam a versatilidade do modelo na reconstrução e simulação de redes de regulação gênica.

Horário: 15h

Palestrante: Carlos Antônio Campos Jorge (doutorado)

Orientador: Profa Alba Melo

Título: Projeto da Arquitetura de CPU+FPGA para Execução LCS na Nuvem

Resumo: Consideramos a aplicação como um conjunto de comparações e propomos um módulo de alocação de tarefas para arquiteturas heterogêneas (CPU + FPGA) para implementar o algoritmo LCS na nuvem utilizando como plataforma o AWS. Com isso, o usuário pode fazer uma comparação de pares ou várias comparações de pares em um único aplicativo. Mostramos que usar tanto a CPU quanto o FPGA para a aplicação LCS composta por várias tarefas de comparação traz benefícios em termos de tempo de execução e consumo de energia quando comparada às versões de CPU e FPGA autônomas.

Horário: 15h20

Palestrante: Yuri Barcellos Galli (mestrado)

Orientador: Prof Bruno L. Macchiavello

Título: Deep Neural Networks as an Aid in Detecting Signs of Osteoporosis by Analyzing Panoramic Radiographs

Resumo: Osteoporosis is a synonym to bone fragility, and it is a silent disease that is only detected commonly after it has already caused damages to the person that has it. This bone fragility disease makes fracture more common and more damaging to its holders, and for that reason is a matter of public health. Identifying the disease in an early stage is essential to help avoid its damages, and in that task artificial intelligence has proven to be of great aid in recent years. Machine learning algorithms can predict the risk of osteoporosis by analyzing patient’s images coming from routine exams such as panoramic radiographs. This work proposes a Convolutional Neural Network (CNN) architecture that aims to identify signs of osteoporosis in that type of image using machine learning techniques.

Local: Teams MS - Equipe PPGI-316415 Seminário, Canal Seminários 2-2021

https://teams.microsoft.com/l/channel/19%3a24b3ddb0b17b46c6be17254988b22cc1%40thread.tacv2/Semin%25C3%25A1rios%25202-2021?groupId=93b66213-b249-467a-bcbe-dcd4255edf95&tenantId=ec359ba1-630b-4d2b-b833-c8e6d48f8059

Profa Célia Ghedini Ralha (Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.)

Coordenadora Seminários de Pós-Graduação em Informática 2-2021