Horário: 14h
Palestrante:Francisco Carlos Silva Junior(doutorando)
Orientador: Prof Ricardo Jacobi
Title: Evaluating the Performance, Energy and Area Tradeoffs of ATHENA in Superscalar Processors
Abstract: Coarse-Grained Reconfigurable architectures (CGRA) have been widely used as accelerator, providing energy saving and performance improvements while also offers flexibility to meet different applications requirements. Despite the aforementioned advantages, CGRAs usually consist of many processing elements, which implies area overhead that can be prohibitive to its integration in system with hard area constraint, such as embedded system and mobile devices. To cope with that, this work evaluates a CGRA for systems with hard area constraint called ATHENA (A Thin rEcoNfigurable Architecture). The thinness concept consists of a CGRA that uses considerably less processing elements than the CGRAs found in the literature. ATHENA is attached to a superescalar processor and is dynamically mapped. A design space exploration on ATHENA and the superescalar processor is carried out to evaluate the different area, energy and performance tradeoffs that these solutions can deliver. The results shows that, even using fewer processing elements, ATHENA was able to speed up to 2.43x while saving up to 32% of energy. When compared with other dynamically mapped CGRAs of the state of the art, ATHENA is up to 4x smaller and provides competitive performance.
Horário: 14h20
Palestrante:Aloisio Dourado Neto (doutorando)
Orientador: Prof Teofilo
Title: Semi-supervision and 3D data augmentation applied to multimodal semanti scene completion
Abstract: Semantic scene completion (SSC) is a challenging Computer Vision task with many practical applications, from robotics to assistive computing. Its goal is to infer the 3D geometry in a field-of-view of a scene and the semantic labels of voxels, including occluded regions. In this work, we present SPAwN, a novel lightweight multimodal 3D deep CNN that seamlessly fuses structural data from the depth component of RGB-D images with semantic priors from a bimodal 2D segmentation network. A crucial difficulty in this field is the lack of fully labeled real-world 3D datasets which are large enough to train the current data-hungry deep 3D convolutional networks. To tackle this problem, we introduce S3P, a semi-supervised training procedure that exploits unlabeled 2D priors. We demonstrate the efficacy of the proposed network architecture and training procedure with a comprehensive and reproducible ablation study. SPAwN alone consistently surpasses the state-of-the-art. When combined with S3P, our solution achieves unprecedented levels of 3D SSC scores.
Horário: 14h40
Palestrante:Eric Bernd Gil (mestrando)
Orientadora: Profa Genaina Rodrigues
Title: Uma abordagem orientada à objetivos para especificação e decomposição de missões para sistemas multi-robôs
Resumo:Robôs estão cada vez mais sendo inseridos em novos ambientes para realizar tarefas que previamente era executadas por humanos. Dessa maneira surge a necessidade de uma abordagem para modelagem do comportamento de sistemas multi-robôs, que é ainda maior quando a colaboração de múltiplos robôs se faz necessária. Tal abordagem deve levar em consideração a natureza dinâmica dos ambientes em que os robôs estão inseridos, as habilidades dos robôs, as dependências entre as tarefas e outras características importantes que são inerentes desse tipo de sistema. Isso se dá pelo fato de que o projetista (ou usuário) do sistema deve ser capaz de especificar comportamentos e interações que devem existir no sistema levando em consideração as habilidades e condições do ambiente necessárias para realizar as tarefas. Além dos modelos e especificações feitos em tempo de projeto é necessário um processo que, com a ajuda de planejamento, use-os como entrada e resulte em uma saída que contém as instâncias das tarefas que podem ser executadas e possíveis restrições entre elas. Tal saída deve facilitar a realização de um processo de alocação de tarefas, que usará as informações presentes na saída para tentar otimizar a alocação de tarefas para robôs. O presente trabalho propõe uma abordagem orientada à objetivos que faz uso de Goal Modelse planejamento Hierarchical Task Network(HTN) de maneira a solucionar os desafios previamente descritos. Essa abordagem permite a especificação de missões para sistemas multi-robôs em alto nível, levando em consideração as condições do ambiente e as dinâmicas do sistema, e automaticamente gerar as possíveis tarefas a serem executadas pelo sistema, se a especificação estiver correta.
Horário: 15h00
Palestrante:Lucas Fernandes Ribeiro (doutorando)
Orientador: Prof Ricardo Jacobi
Title: Evaluating a Machine Learning-based Approach for Dynamic Cache Reconfiguration
Abstract: As the systems perform progressively complex tasks, the search for energy efficiency in computational systems is constantly increasing. The cache memory has a fundamental role in this issue. Through dynamic cache reconfiguration techniques, it is possible to obtain an optimal cache configuration that minimizes the impacts of energy losses. To achieve this goal, a precise selection of cache parameters plays a fundamental role. In this work, a machine learning-based approach is evaluated to predict the optimal cache configuration for different applications considering their dynamic instructions and a variety of cache parameters, followed by experiments showing that using a smaller set of application instructions it is already possible to obtain good classification results from the proposed model. The results show that the model obtains an accuracy of 96.82% using the complete set of RISC-V instructions and 96.33% accuracy using the memory instructions set, a more concise set of instructions that directly affect the cache power model, besides decreasing the model complexity.
Horário: 15h20
Palestrante: Ricardo José Menezes Maia (doutorando)
Orientador: Prof Ricardo Jacobi
Título: Implementação eficiente de algoritmos de aprendizagem de máquina utilizando dados privados e aplicados à segurança de redes
Resumo: Na área de aprendizagem de máquina há aplicações para redes sociais ou na área da saúde que envolvem dados pessoais sensíveis e que por questões legais deveriam ser manipulados de forma privada. Para realizar algumas dessas predições há a necessidade de treinar os algoritmos com muitos dados e principalmente informações de outros usuários. De forma que é muito comum o dilema da troca da privacidade de dados pessoais por maior comodidade dos serviços oferecidos pelas empresas. Por conseguinte, uma das perguntas que este trabalho pretende responder é como valer-se de algoritmos de aprendizagem de máquina e ao mesmo tempo utilizar dados privados no treinamento e inferência e aplicar este método para segurança de redes. Uma das contribuições deste trabalho é para aplicações em segurança de redes que utilizam aprendizagem de máquina para detectar DGA (domain generation algorithm), onde DGA é a base para muitos malwares. Sendo possível detectar DGA utilizando dados privados evitaria expor dados sensíveis de uma rede para realizar inferência malwares que utilizem DGA. O método proposto neste trabalho inova ao utilizar dados privados no treinamento e inferência de DGA. Possibilitando a criação de ferramentas ou serviços em nuvem que poderão detectar DGA sem necessitar precisar conhecer os dados em claro da rede do cliente.
Horário: 15h40
Palestrante:Guo Ruizhe (mestrando)
Orientador: Prof Li Weigang
Titulo: Pinyin como unidade de subpalavra para chinês - português usando NMT
Local: Teams MS - Equipe PPGI-316415 Seminário, Canal Seminários 1-2021
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 1-2021