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

• Ano de defesa: 2022
• Autor(a) principal: Campos, Walacy da Silva
• Orientador(a): Bugatti, Pedro Henrique
• Banca de defesa: Oliveira, Claiton de , Kaster, Daniel dos Santos , Bugatti, Pedro Henrique , Sanches, Silvio Ricardo Rodrigues
• 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
• País: Brasil
• Palavras-chave em Português: Redes Neurais (Computação); Teoria dos grafos; Visão por computador; Neural networks (Computer science); Graph theory; Computer vision
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/30250

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.