Navegando por Assunto "Redes neurais (Computação)"

Agora exibindo 1 - 16 de 16

Aprendizado profundo com capacidade computacional reduzida: uma aplicação à quebra de CAPTCHAs
(2018-08-16) Melo, Diogo Felipe Félix de; Sampaio, Pablo Azevedo; http://lattes.cnpq.br/8865836949700771; http://lattes.cnpq.br/2213650736070295
Na última década, Redes Neurais Profundas tem se mostrado uma poderosa técnica de aprendizado de máquina. Em geral, essas técnicas demandam alto poder computacional e grandes volumes de dados para obter resultados expressivos, o que pode ser um fator limitante em algumas realidades. Entretanto, o projeto cuidadoso da arquitetura e do treino podem ajudar a reduzir estes requisitos. Neste trabalho apresentamos uma abordagem comparativa para a aplicação de redes neurais profundas à quebra de CAPTCHAs de texto como uma forma de contornar essas limitações. Estudamos modelos capazes de aprender a segmentar e identificar o texto contido em imagens baseando-se apenas em exemplos. A partir da experimentação de diferentes hiper-parâmetros e arquiteturas, fomos capazes de obter um modelo final com acurácia de 96.06% de acerto por token em aproximadamente 3 horas de treino executado em um simples computador pessoal.
Classificação de documentos de identificação com redes neurais convolucionais
(2019-01-18) Rocha, Alessandro Nazário da; Sampaio, Pablo Azevedo; http://lattes.cnpq.br/8865836949700771; http://lattes.cnpq.br/2466292990350036
O aprendizado profundo (Deep Learning) tem desempenhado um papel importante em processamento de dados, tendo com uma de suas principais técnicas as redes neurais convolucionais, uma de suas aplicações é na área de visão computacional e pode ser utilizada para aprender automaticamente características incluídas em imagens em suas camadas. No entanto, essas redes neurais artificiais profundas precisam de uma quantidade significante de imagens, para os problemas propostos, já separados em categorias para realização dos treinamentos e validações dos modelos que nem sempre são disponíveis. Nexte contexto, neste trabalho foi construído um dataset com imagens de documento de identificação brasileiro de Registro Nacional (RG) e Carteira Nacional de Habilitação (CNH) separando-os em algumas categorias e por se tratar de documentos com informações sensíveis, juntar uma quantidade de imagens para obter bons resultados, foi um passo que demandou tempo. Por isso, foram tomados os devidos cuidados para que essas informações sensíveis fossem preservadas. Este trabalho apresenta algumas arquiteturas de redes neurais artificias convolucionais para classificar as imagens em diferentes categorias. Experimentos foram realizados com a utilização de unidade de processamento gráfico (GPU) e com a utilização só de unidade central de processamento (CPU). Resultados de 99% de acertos foram obtidos em alguns cenários que foram testados no decorrer do trabalho para as diferentes arquiteturas propostas.
Comparação da construção de redes neurais nas linguagens R e Python
(2021-03-12) Liberal, João Paulo Godê; Paiva Júnior, Sérgio de Sá Leitão; http://lattes.cnpq.br/7706717198580424; http://lattes.cnpq.br/1024308436712090
Este relatório tem como objetivo fazer um comparativo entre Redes Neurais Artificiais (RNAs) escritas nas linguagens R e Python nos sistemas operacionais Windows 10 e Linux-Ubuntu 20.04. As principais métricas observadas foram: tempo de execução em ambas as linguagens nos diferentes sistemas, considerando o tempo para o treinamento e teste da rede; também será avaliada o nível de acurácia nos diferentes sistemas operacionais. A ferramenta utilizada para o desenvolvimento foi o pycharm, juntamente com a utilização das bibliotecas keras, tensorflow e pandas. Para a linguagem Python foi configurado um ambiente no miniconda2 e na linguagem R a execução foi por linha de comando. A base de dados utilizada pelas Redes Neurais foi retirada do Machine Learning Repository (UCI) e trata do diagnóstico de tumor cancerigeno.
Comparative Analysis of Data Augmentation Techniques in Hand Gesture Recognition
(2025-03-18T03:00:00Z) Souza, Diego Rafael Ferreira de; Macario Filho, Valmir; http://lattes.cnpq.br/4346898674852080; http://lattes.cnpq.br/0925751641833600
Hand gesture recognition has gained significant attention due to its widespread applications in human-computer interaction, virtual reality, and assistive technologies. However, the scarcity of large, labeled datasets poses challenges such as overfitting and limited model generalization. To address this, we systematically evaluate 13 classical and six state-of-the-art (SOTA) data augmentation techniques for hand gesture recognition, conducting experiments on HGR1, OUHANDS, LIBRASUEFS, and EgoHands using the HGR-Net CNN architecture. Our results show that contrast-based augmentations (e.g., Solarize, Invert) improved accuracy by up to 21.16%, while mixing-based methods (e.g., MixUp, CutMix) often reduced performance, likely due to excessive distortion of gesture structures. Additionally, combining the best-performing augmentations was critical for maximizing accuracy across all datasets. However, these combinations did not always produce additive improvements, underscoring the importance of dataset-specific augmentation strategies for achieving optimal model performance.
Comparison of recommendation algorithms for user groups: a food-based case study
(2023-04-24) Vasconcelos, Caio Giovanni Pereira; Silva, Douglas Véras e; http://lattes.cnpq.br/2969243668455081; http://lattes.cnpq.br/4775036700843482
There is a rise in the development of platforms that work with the distribution of buying and selling food, and with the increase in food options and the number of users, such platforms use recommendation systems to facilitate the user’s choice. These recommendations are usually based on information that the algorithm obtains previously. And increasingly, these recommendations need to be right in specific contexts. This article proposes to compare, through common metrics in the literature, the use of two recommendation algorithms in a context of user groups to make a joint recommendation. One of the algorithms uses a database of groups in neural network training, and the other algorithm uses databases of auxiliary domains with different contexts to perform the prediction. The results indicate that it is possible to perform the prediction for groups of users even if a database with scarce data is used. The article is a theoretical basis to show the efficiency of recommending it to groups in the food domain, and can be incorporated and added to existing platforms.
Construção de redes neurais para a predição do preço de ativos da Bolsa de Valores
(0202-04-27) Silva, Bruno Leonardo de Oliveira; Paiva Júnior, Sérgio de Sá Leitão; http://lattes.cnpq.br/7706717198580424
A bolsa de valores se apresenta como uma alternativa de investimento para aqueles que buscam maior rentabilidade, mas em troca desse alta rentabilidade existe uma alta volatilidade, que para muitos investidores acaba resultando em operações negativas. Para contornar esses problemas, os investidores que se arriscam nesse mercado buscam métodos para analisar e até mesmo prever as movimentações de ativos. Um desses métodos é análise técnica que busca prever o movimento do ativo baseado em eventos anteriores. O objetivo desse trabalho é apresentar uma rede neural capaz de prever o preço de ativos da bolsa de valores, para aumentar a consistência em operações positivas. Para tanto, foi desenvolvida uma Rede Neural utilizando os dados de ativos da bolsa de valores, visando o sucesso da operações com a obtenção de resultados mais confiáveis. Os resultados do trabalho deixam claro que o modelo desenvolvido possui um ótimo desempenho, quando comparado com o método de análise técnica. Isso se comprova com os resultados das métricas de avaliação usadas para essa rede neural, como também as simulações de investimento com dados de diferentes ativos da bolsa de valores.
Detecção de fake news: uma abordagem baseada em Large Language Models e Prompt Engineering
(2025-03-20T03:00:00Z) Fonseca, Pablo Weslley Silva da; Lima, Rinaldo José de; http://lattes.cnpq.br/7645118086647340; http://lattes.cnpq.br/6258598537884813
Este trabalho aborda o uso de Large Language Models (LLMs) para a detecção de fake news ou notícias falsas no idioma inglês e português. As notícias falsas têm gerado impactos negativos, como desinformação e conflitos sociais, sendo amplamente disseminadas pelas redes sociais. Embora métodos tradicionais de verificação sejam eficazes, como checagem manual e agências de verificação de fatos, a aplicação de algoritmos de machine learning e deep learning trouxe avanços importantes. No entanto, esses modelos apresentam limitações, como perda de contexto semântico e custos de treinamento. A introdução da arquitetura Transformers possibilitou avanços significativos com LLMs, como BERT, GPT e T5, devido à sua capacidade de compreender padrões linguísticos complexos. Este trabalho propõe uma abordagem de detecção de notícias falsas a partir recuperações de informações pela Web e o modelo Qwen2.5-7B-Instruct, comparando o desempenho com propostas que combina recuperação de informações com modelos tradicionais e LLMs. Os resultados destacam vantagens e desvantagens, contribuindo para futuras melhorias em sistemas automatizados de detecção de notícias falsas.
Estudo de viabilidade de sistemas de detecção de armamentos em tempo real em linhas de ônibus urbanos
(2021-12-09) Lima Junior, Cícero Pereira de; Silva, Douglas Véras e; http://lattes.cnpq.br/2969243668455081; http://lattes.cnpq.br/9901763283774954
Sistemas de monitoramento são parte fundamental na prevenção de assaltos a mão armada dentro dos ônibus. Entretanto, a utilização desses sistemas demanda quantidade irreal de pessoas para que seja operado em tempo real. O uso de técnicas de visão computacional e aprendizagem profunda surgem como forma de automatizar partes ou até todo o processo de monitoramento, desde a detecção dos armamentos ao disparo de alarmes. Para que este processo seja realizado de maneira eficiente, permitindo ações efetivas por parte das autoridades, é preciso que o sistema seja capaz de atender em tempo real uma demanda crescente de câmeras de segurança. Desta forma, este trabalho teve como objetivo analisar a viabilidade de um sistema de detecção de armamentos em uma rede de ônibus. Através de simulação, avaliou-se o desempenho do algoritmo YOLO, em sua quarta versão, em um modelo cliente-servidor sob uma demanda crescente de câmeras de segurança. O servidor dispunha de uma GPU Tesla V80 com 12GB de memória, processador Intel Xeon dual core, 61GB de memória RAM e 200GB de espaço em disco. Por fim, a partir dos resultados obtidos, observou-se que a aplicação apresenta aumento no tempo de detecção após introduzir 16 usuários virtuais (câmeras) e seu tempo médio não pode ser considerado como tempo real, dentro do contexto de segurança de ônibus.
Modelos de recomendação sensível ao contexto em ambientes de comunicação aumentativa alternativa: naive bayes, redes neurais e aprendizagem federada
(2025-03-19T03:00:00Z) Nascimento, Fabio Augusto Souza do; Nascimento, André Câmara Alves do; http://lattes.cnpq.br/0622594061462533; http://lattes.cnpq.br/2170186670973508
A inteligência artificial (IA) está presente em diversos setores da sociedade, promovendo constantes avanços tecnológicos e sociais. Um dos subconjuntos da IA é a aprendizagem de máquina (AM), que possibilita aos computadores aprenderem e evoluírem com base em dados. O conhecimento obtido por meio desse processo auxilia em diferentes áreas, desde a análise e interpretação de informações até a usabilidade de aplicativos. Compreender o funcionamento e as possibilidades dessa ferramenta pode ser um ativo valioso. Entre as múltiplas aplicações possíveis, a AM desempenha um papel importante na comunicação aumentativa e alternativa (CAA), auxiliando indivíduos que apresentam dificuldades nessas interações por meio de aplicativos. Essas aplicações estão em constante evolução e, com as inovações tecnológicas, possibilitam o desenvolvimento de sistemas capazes de compreender o ambiente em que uma pessoa está inserida e oferecer recomendações personalizadas aos usuários. Este trabalho investiga o uso dos Sistemas de Recomendação Sensível ao Contexto (SRSC) em aplicações da CAA, considerando as características individuais dos usuários com base em seus dados e contexto. São utilizados modelos de IA, tais como Naïve Bayes (NB), Redes Neurais Artificiais (RNA) e Aprendizagem Federada (AF), para comparar diferentes abordagens e avaliar sua capacidade de fornecer resultados relevantes. A partir dos experimentos realizados, foi possível verificar que modelos personalizados demonstram melhor desempenho em relação a abordagens globais, oferecendo recomendações mais relevantes aos usuários finais. Nesse sentido, a personalização e o uso de variáveis contextuais podem melhorar significativamente a experiência de pessoas que dependem de CAA, aumentando a agilidade e a assertividade da comunicação.
Proposta de um meta-modelo para avaliação de robutez de redes de computadores com base na combinação de métricas topológicas
(2017) Barros, Gustavo Henrique Pinto Soares de; Araújo, Danilo Ricardo Barbosa de; http://lattes.cnpq.br/2708354422178489; http://lattes.cnpq.br/1155438495823549
Uma crescente demanda por robustez e resiliência em redes de computadores surge da grande diversidade de aplicações das mesmas. Os sistemas modernos apresentam cada vez mais um caráter crítico, e a ocorrência de perturbações podem acarretar em sérias perdas, sejam elas humanas, econômicas ou ambientais. A fibra óptica atua nos sistemas de comunicação atuais como o principal meio de transferência de dados. Dentre suas diversas aplicações, que dependem fortemente de sua infra-estrutura, estão a Internet, televisão a cabo e sistemas que necessitam de altas taxas de transmissão. A natureza não homogênea e complexa das topologias destas redes determinam os altos custos nas avaliações das mesmas. E por este motivo, as redes ópticas são o objeto de estudo deste trabalho. A quantificação de confiança de uma rede de computadores é frequentemente alcançada através de simulações de falhas em nós e conexões. Simulações estas em que o custo temporal e financeiro crescem proporcionalmente ao tamanho da rede. Este trabalho avalia a possibilidade da obtenção de valores de métricas de robustez em redes complexas de computadores, as quais seriam adquiridas originalmente a partir de simulações, utilizando um método alternativo que aplica regressão e que tem como entrada um conjunto de valores de métricas simples correlacionadas não obtidas por simulações e utiliza um modelo de redes neurais artificiais para predizer os resultados das simulações visando alcançar um menor custo temporal. Os resultados são avaliados após uma comparação entre os valores obtidos pelo modelo proposto e os valores obtidos por simulações de falhas aleatórias e simulações de ataques direcionados. Eles indicam que o método descrito apresenta uma margem de erro satisfatória,entre 10−³ e 10−9, e que se atingiu com sucesso a obtenção dos valores simuláveis através do métodos de regressão em um menor intervalo de tempo.
Rastreamento de pedestres 3D multi-câmera usando redes neurais de grafos
(2022-05-27) Andrade, Isabella Stefanny Fernandes de; Lima, João Paulo Silva do Monte; http://lattes.cnpq.br/1916245590298485; http://lattes.cnpq.br/5529506615862118
Rastrear a posição de pedestres ao longo do tempo através de imagens de câmeras é um tópico de pesquisa em visão computacional em ascensão. No cenário multi-câmera, as pesquisas são mais recentes ainda. Muitas soluções utilizam redes neurais supervisionadas para resolver esse problema, o que pode exigir um esforço muito grande para anotar os dados além de muito tempo gasto para treinar a rede. Os objetivos deste trabalho são: desenvolver variações de algoritmos de rastreamento de pedestres sendo desejável dispensar a necessidade de possuir dados anotados; e comparar os resultados obtidos através de métricas de acurácia. Este trabalho propõe, portanto, uma abordagem para rastrear pedestres no espaço 3D em ambientes multi-câmera utilizando a arquitetura de rede neural Message Passing Neural Network inspirada em grafos. Avaliamos a solução utilizando a base de dados WILDTRACK e um método de detecção generalizável, conseguindo 77,1% de MOTA ao treinar com dados obtidos de um algoritmo de rastreamento generalizável. O algoritmo consegue realizar o rastreamento a uma taxa de 40 quadros por segundo.
Redes neurais artificiais aplicadas à previsão de surtos de leptospirose
(2018) Dantas, Elias Ferraz; Pires, Glauber Magalhães; http://lattes.cnpq.br/1159581534108735; http://lattes.cnpq.br/7510731560745063
A Leptospirose é uma doença de ocorrência global, principalmente em regiões tropicais com altas incidências de chuvas e em locais com precárias condições sanitárias. Ela é uma doença considerada negligenciada, subestimada e de difícil diagnóstico por apresentar sintomas comuns à outras doenças, além de possuir uma alta taxa de letalidade ao atingir níveis graves. No Brasil, seu tratamento possui elevado custo hospitalar e a doença possui alta incidência em grandes centros urbanos. No estado de Pernambuco, em especial a cidade do Recife, destaca-se das demais localidades por possuir números significativamente maiores de registros de infecções por Leptospirose, estes dados preocupantes enaltecem a necessidade de iniciativas para apoiar a vigilância epidemiológica no combate à doença. O objetivo deste trabalho é analisar a viabilidade de utilização de Redes Neurais Artificiais aplicadas à previsão de Séries Temporais para realizar identificação antecipada do número de casos de Leptospirose a fim de demonstrar a possibilidade de utilização da técnica para previsão de surtos como um meio adicional de informação para contribuir com o planejamento de ações de prevenção em saúde, minimizando o impacto social e econômico causados pela doença.
Técnicas de comitês para a estimação de esforço na correção de software
(2019-12-10) Guimarães, Ariana Lima; Soares, Rodrigo Gabriel Ferreira; http://lattes.cnpq.br/2526739219416964; http://lattes.cnpq.br/2605671850587343
O planejamento bem definido de um projeto de software, desde os estágios iniciais, é imprescindível para o sucesso do desenvolvimento, seja ele referente à criação ou à manutenção do produto. Em anuência ao ciclo de vida de software, a manutenção é realizada de forma contínua após o produto ter sido construído e entregue, em paralelo à execução de testes por engenheiros e/ou usuários. Nessa etapa, surgem primariamente os documentos de Histórias de Usuário e Relatórios de Problemas, que descrevem, em linguagem natural, especificações de negócio, cenários de erros encontrados, correções esperadas e melhorias para o sistema. Esses documentos visam, dentre outras coisas, o mapeamento das atividades a serem realizadas durante o projeto. Por conseguinte, em consonância com os recursos disponíveis – humanos, financeiros e temporais -, torna-se possível estimar o esforço necessário no desenvolvimento das atividades e gerar informações essenciais a um planejamento eficaz e eficiente. Como esses documentos são escritos em textos naturais, surge a oportunidade de utilizar o Processamento de Linguagem Natural e o Aprendizado de Máquina (AM) para predição automatizada do esforço de software. Na prática, no dia-a-dia das fábricas de software, é comum a utilização da opinião de especialistas e da equipe do projeto para julgar o esforço requisitado por uma atividade durante sessões de Planning Poker. Nessa técnica, normalmente o esforço é medido em Pontos de História que seguem a sequência Fibonacci. Porém, esse modo de planejamento requer o escalonamento de muitos recursos para sua execução. A aplicação do AM acarreta em um sistema, após a fase de treinamento, capaz de apreender a experiência da equipe e replicá-la de forma rápida e automática para estimar o esforço das atividades. Dessa forma, este trabalho atinge a área de AM, propondo uma abordagem de Comitê de PVDM na extração de características de Relatórios de Problemas para estimar Pontos de História, os indicadores de esforço. Comparada a outras duas abordagens de BoW e PV-DM tradicional, a técnica proposta apresentou bons resultados, com f-measure de cerca de 80% em um classificador de SVM com aprendizado supervisionado. Os resultados dos experimentos inspiram um ponto de partida no aprofundamento do estudo da abordagem de Comitê de PV-DM e no seu aprimoramento.
Técnicas preditivas para auxílio no diagnóstico de melanomas via imagens
(2024-10-02) Silva Júnior, José Carlos Monte; Soares, Rodrigo Gabriel Ferreira; http://lattes.cnpq.br/2526739219416964
O câncer de pele é o tipo mais comum de câncer no mundo, dividido em dois tipos principais: melanoma e não melanoma. Embora mais raro, o melanoma é o mais letal devido ao seu potencial de causar metástase. Métodos não invasivos, como a dermatoscopia e a regra ABCDE, têm sido utilizados para evitar procedimentos cirúrgicos desnecessários e têm ajudado na identificação de lesões, contribuindo para diagnósticos mais rápidos. Com o avanço da tecnologia, a Inteligência Artificial (IA) ganhou destaque, mostrando-se uma solução promissora para a análise de dados médicos, especialmente com o uso de Redes Neurais Convolucionais (RNCs), que podem reconhecer padrões em imagens dermatoscópicas e ajudar na classificação de lesões como melanoma ou não melanoma de forma automatizada. Este projeto propõe um comitê de classificadores baseado em Redes Neurais Convolucionais para classificar imagens dermatoscópicas como melanoma ou não melanoma, comparando seu desempenho com arquiteturas validadas, como AlexNet e VGG-16, utilizando técnicas de Transfer Learning. As análises de Precisão, Revocação e Pontuação F1 mostraram que o comitê de Redes Neurais Convolucionais superou os modelos que utilizam técnicas de Transfer Learning, com a AlexNet apresentando desempenho superior à VGG-16. O comitê de Redes Neurais Convolucionais demonstrou uma maior capacidade de generalização, mostrando-se promissor ao capturar as características relevantes das imagens, revelando potencial para aplicações médicas, embora ainda precise ser refinado para atingir padrões clínicos.
Um currículo de aprendizado por reforço para o cenário “Run to Score with Keeper” do Google Research Football Environment
(2019-12-10) Silva, Jonatan Washington Pereira da; Sampaio, Pablo Azevedo; Macário Filho, Valmir; http://lattes.cnpq.br/4346898674852080; http://lattes.cnpq.br/8865836949700771; http://lattes.cnpq.br/6846637095187550
O aprendizado por reforço é um conjunto de técnicas que permitem a um agente interagir com um determinado ambiente. Os agentes observam o estado do ambiente e executam uma ação, a ação é avaliada por meio de uma recompensa obtida. O agente tem como objetivo maximizar esta recompensa. Diversas questões como: locomoção em três dimensões e jogos eletrônicos foram abordados pelo aprendizado por reforço (KURACH et al., 2019). O treinamento de agentes para um jogo de futebol normalmente possui recompensas esparsas, o que retarda o aprendizado (MATIISEN et al., 2019). Uma técnica que pode contornar este obstaculo é o aprendizado por currículo proposto em (BENGIO et al., 2009). O aprendizado por currículo é uma técnica que aborda sub-tarefas mais simples da tarefa principal e aumenta gradativamente o nível de dificuldade ao longo do tempo. Neste trabalho apresentamos dois currículos, identificados como: 5-15-30-50 e 3-10-20-67, para o cenário Run to Score with Keeper da Football Academy. Mostramos que os currículos, em média, obtiveram melhores resultados se comparados ao treinamento apenas no cenário principal, sem currículo. O currículo 3-10-20-67 obteve um melhor resultado mesmo considerando o desvio padrão.
Uma metodologia para a avaliação de desempenho e custos do treinamento de redes neurais em ambientes de nuvem
(2024-03-07) Moura Filho, Cláudio Márcio de Araújo; Sousa, Érica Teixeira Gomes de; http://lattes.cnpq.br/9899077867723655; http://lattes.cnpq.br/8143173691280119
Redes neurais profundas são soluções para problemas que envolvem reconhecimento de padrões e diversos trabalhos tentam encontrar maneiras de otimizar o desempenho dessas redes. Essa otimização necessita de hardware adequado para ser implementada, hardware esse que pode ser muito custoso para pequenas e médias organizações. O objetivo deste trabalho é propor uma metodologia para avaliar o desempenho e custo do treinamento de redes neurais, considerando os fatores mais impactantes no tempo de treinamento e avaliar o custo financeiro total do ambiente para essa tarefa. Nesse sentido, observou-se que fatores como o tamanho da imagem de entrada e a arquitetura da rede tem grande impacto na métrica de tempo de treinamento e por consequência no custo total.