Palestrante: Willian de Oliveira Barreiros Júnior (doutorando)

Orientadores: Prof George Luiz Medeiros Teodoro

Título: Optimizing Pathology Analysis Pipelines Through Automatic Irregular Image Tiling for Large Scale Distributed Environments

Resumo: The task of optimizing Whole Slide Tissue Images (WSI) pipelines for large-scale distributed environments can be difficult for domain-experts. Besides inter-node coordination, the underlying infrastructure of the environment must be taken into account for efficient execution, mainly if heterogeneous resources are avail- able. In order to reduce this complexity we propose the combined use of two tools, the Region Templates Framework, and Halide, with some optimizations. This new framework also provides an interface to perform balanced work distri- bution for irregular-cost task, on which the cost of an input is also dependent on its contents. Workload partitioning was performed through irregular-tiling the input domain, returning tiles with different geometrical sized, but with more balanced execution costs. Also, the overall input processing cost is further reduced though domain-specific removal of background data, which execution would not interfere with the final output. The use of this framework was tested on a large-scale environment,(up to 64 dual-socket CPU nodes) with both homogeneous and heterogeneous resources, compared with a simple Fixed-Grid (FG) tiling approach, in which the input domain is partitioned equally in the geometric sense..

Horário: 14h30

Palestrante: Jeremias Moreira Gomes (doutorando)

Orientadora:Prof George Luiz Medeiros 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: 15h

Palestrante: Nilson Donizete Guerin Junior (doutorando)

Orientador:Prof Bruno Luiggi Machiavello

Título: Compressão Neural de Imagens com Restrição de Taxa

Resumo: O controle de taxa é uma característica não só desejável como necessária em várias aplicações de codificação de imagens. Usualmente o objetivo é atingir um taxa desejada para todas as entradas tendo mínimo impacto na performance da taxa-distorção. Todavia, essa tarefa pode ser bastante desafiadora. A compressão de imagens baseada em redes neurais é um novo paradigma que precisa ser competitivo com a codificação convencional para conquistar espaço em padrões de codificação futuros. Todavia, um CODEC neural pode requerer múltiplos modelos treinados para diferentes requerimentos de qualidade. Dessa forma, uma ferramenta que dê a habilidade para que uma rede atinja uma taxa específica pode ser um fator determinante para a aplicabilidade desses modelos. Nesse trabalho, um relaxamento Lagrangiano é adotado na otimização da rede para obter a restrição de taxa. Essa modificação permite o controle do desvio da taxa objetivo. Resultados experimentais mostram que os autocodificadores treinados com a função de perda proposta podem codificar a taxas desejadas com perdas negligenciáveis em termos de SSIM e MSSSIM.

Horário: 15h30

Palestrante: Matheus de Carvalho Sobrinho (mestrando)

Orientador: Profa Aleteia Patricia Favacho Araujo Von Paumgartten

Título: Predição de tempo e dimensionamento de recursos para workflows científicos em nuvens federadas com aprendizado de máquina

Resumo:A utilização de plataformas de nuvem tem sido amplamente incentivada em aplicações que possuem alta demanda de poder de processamento e/ou armazenamento, como por exemplo os workflows de Bioinformática. No entanto, os projetistas de tais workflows se deparam com uma variedade e quantidade muito grande de recursos disponíveis, sendo difícil a escolha correta dos mesmos para um determinado workflow. Esse dimensionamento não é uma tarefa simples e este trabalho propõe uma abordagem de resolução desse problema com o uso de métodos de Aprendizado de Máquina, no que tange a predição do tempo de execução de tais workflows. Assim sendo, mescla a metaheurísticas GRASP, responsável pela seleção de recursos, e uma estrutura de conselho de preditores, com o objetivo de dimensionar os recursos para os usuários de forma transparente, ao informar o custo financeiro e o tempo de execução antes mesmo de iniciar o workflow de fato.

Local: Teams MS - Equipe PPGI-316415 Seminário, Canal Seminários 2-2020

https://teams.microsoft.com/l/channel/19%3af51d2e3473d64c379d2b885d659a05dc%40thread.tacv2/Semin%25C3%25A1rios%25202-2020?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 2-2020