Classificação contextual de imagens por meio de redes neurais convolucionais de grafos e poda por similaridade

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Campos, Walacy da Silva lattes
Orientador(a): Bugatti, Pedro Henrique lattes
Banca de defesa: Oliveira, Claiton de lattes, Kaster, Daniel dos Santos lattes, Bugatti, Pedro Henrique lattes, Sanches, Silvio Ricardo Rodrigues lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Tecnológica Federal do Paraná
Cornelio Procopio
Programa de Pós-Graduação: Programa de Pós-Graduação em Informática
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/30250
Resumo: Técnicas de visão computacional se tornaram populares na indústria de tecnologia. Esse sucesso é derivado do avanço em recursos computacionais e na geração de dados complexos. Desta forma, o uso de algoritmos como redes neurais convolucionais para tarefas de classificação foi difundido entre muitas companhias. Apesar de tais redes apresentarem resultados interessantes para classificação de imagens, sua dificuldade em lidar com aspectos de relacionamento entre os dados abriu a possibilidade para o uso das redes neurais convolucionais de grafos. Contudo, essas redes de grafos possuem um gargalo relacionado à escalabilidade de recursos que é pouco explorado pelo estado da arte para o contexto de visão computacional. Desta forma, este trabalho propõe uma abordagem de poda com objetivo de reduzir o consumo de recursos computacionais das redes neurais convolucionais de grafos. Foi realizada uma avaliação experimental extensiva, a qual mostra que a abordagem proposta pode ser promissora, sendo capaz de reduzir o tempo de treinamento em 60,24%, além do consumo de memória de placa gráfica em 23,11%. O trabalho pode contribuir para a redução de recursos computacionais em data centers, sendo um dos principais ofensores no que tange a custos e emissão de carbono.