Horário: 14h
Palestrante: Alessandro Rodrigues e Silva (doutorando)
Orientadora: Profa Mylène Farias
Title: Quality of User Experience(QUX) for advanced multimedia services
Abstract: In the last decade, several types of multimedia services have been emerged, virtual reality, augmented/mixed reality, 360 videos, all of them may use 3D content to enhance the experience. Still, the level of acceptability and popularity these applications are strongly correlated to the quality of User Experience (QuX), i.e. the user's opinion should be taken into consideration when designing and testing his applications. Since research in this area depends heavily on data acquired in psychophysical experiments, a platform, and databases, that takes in to account the user, and the content, are considered important tools to researchers and developers of these technologies. In this work, our first goal is to build a platform and databases of 3D-enabled technologies, that contains a set of typical stereoscopic distortions. Our second goal is to understand how these stereoscopic degradations are perceived by viewers and how it influences the Quality of User Experience.
Horário: 14h20
Palestrante: Lucas Silva Lopes (doutorando)
Orientador: Prof Ricardo Queiroz
Título: Deep Learning para qualidade de Point Clouds
Resumo: Esse trabalho tem como foco o uso de técnicas baseadas em deep learning para a melhoria da qualidade visual de point clouds. Seja no momento da aquisição ou após passar por compressão, point clouds apresentam vários tipos de artefatos que prejudicam a sua qualidade visual. Técnicas de Deep Learning, como Generative Adversarial Networks (GAN), Variational Autoencoders (VAE), entre outras, podem ser utilizadas para corrigir alguns destes artefatos.
Horário: 14h40
Palestrante: Nilson Donizete Guerin Júnior (doutorando)
Orientadora: Prof Bruno Macchiavello
Título: Codificação Neural com Restrição de Taxa
Resumo: O controle de taxa é um recurso desejável, às vezes um requisito, para várias aplicações de codificação de imagens estáticas. Normalmente, o objetivo é obter controle de taxa para todos os dados de entrada minimizando a distorção . No entanto, essa tarefa pode ser bastante desafiadora. A compressão de imagens baseada em redes é um novo paradigma que precisa ser competitivo com as técnicas convencionais de codificação de imagens. Um CODEC neural com perdas baseado pode exigir vários modelos treinados para diferentes requisitos de qualidade. Portanto, uma ferramenta de codificação que forneça a capacidade de atingir uma taxa específica pode ser um fator determinístico para aplicar tais modelos em cenários reais. Por esta razão, neste trabalho, é proposta uma solução não restrita o problema restrito de treinar um CODEC neural de imagem a fim de obter uma taxa de bits específica. A solução proposta requer uma função de perda modificada para autoencoder. Esta modificação permite controlar o desvio da taxa alvo especificada. Resultados experimentais mostram que autoencoders treinados com a função de perda proposta podem alcançar codificação com restrição de taxa com perdas desprezíveis em termos de SSIM e MS-SSIM.
Horário: 15h00
Palestrante: Carlos Antônio Campos Jorge (doutorando)
Orientadora: Profa Alba Melo
Título: Projeto da Arquitetura de CPU+FPGA para Execução LCS na Nuvem
Abstract: Este seminário apresenta uma implementação HLS da Longest Common Subsequence (LCS) algoritmo combinado com um planejador de base ponderada para comparar sequências priorizando o consumo de energia ou o tempo de execução. O algoritmo LCS foi totalmente adaptado usando Vivado, uma ferramenta de síntese de alto nível, que é capaz de sintetizar o nível de transferência de registro (RTL) a partir de descrições de linguagem de alto nível, como C/C++. Resultados de desempenho e consumo de energia foram obtidos com CPU Intel Core CPU i7-3770 e um Alpha-Data Placa ADM-PCIE-KU3 que tem um Xilinx Kintex Chip UltraScale XCKU060 FPGA. Executamos um lote de 20 comparações de sequências em tamanhos de 10k, 20k e 50k. Nossos experimentos mostraram que o consumo de energia na abordagem combinada foi significativamente menor quando em comparação com a CPU, alcançando 75% de redução de energia em comparações de 50k.
Horário: 15h20
Palestrante: Junier Caminha Amorim (doutorando)
Orientador: Prof Vander Alves
Title: A Product Line Based Method to Provide Command and Control Agility
Abstract: Command and Control (C2), in its historical origin, is linked to the application of classic military strategies where there was a single centralized command and an inflexible chain of command between the elements that composed the acting forces. C2 is not an end in itself, but a process whose goal is to optimize the application of resources in order to accomplish a given mission. However, in a modern C2 context, the dynamism of the mission, the team and the environment is a necessary assumption and, thus, the organization of the team to accomplish a mission becomes a challenge requiring constant adaptations. This ability to adapt to new circumstances characterizes the C2 Agility. However, current studies do not show the impacts in this capacity of agility caused by the choices of C2 strategy, represented by the level of information spread, by the organization of the performers and by the capacity of decision making. In addition, recent works do not consider the measurement of Quality Attributes (QA), which makes the models and simulations poorly adherent to the reality of missions, where at least the cost can be an obstacle to their achievement. To address these issues, our goal is to apply concepts of Self-Adaptive Systems (SAS) with an approach using Dynamic Software Product Lines (DSPL) to represent the elements that make up the C2 System and that are organized into teams. Working with the concepts of configuration and coordination, we propose a process to be applied in C2 that provides the generation of models that seek to ensure agility of C2. These models provide for the appropriate choice of the C2 strategy for the correct coordination of members, combined with the ability to reconfigure the executors in order to ensure agility to face the changes in circumstances that may occur. To evaluate the proposed solution, we plan to apply questionnaires and workshops to C2 domain experts, in addition to conducting simulations that show that the hypotheses outlined are correct.
Horário: 15h40
Palestrante: Paulo Eduardo Althoff (mestrando)
Orientadora: Prof Thiago Faleiros
Titulo: Classificação semi supervisionada em grafos k-partidos com uso de métodos multiníveis
Resumo: Com a quantidade de dados gerados no mundo ultrapassando a capacidade humana de avaliação, métodos de classificação automática de conteúdo se tornam cada vez mais relevantes. Grafos são uma forma de representação genérica de representação de entidades e suas interações, e podem ser aplicados praticamente em todo tipo de problema, principalmente em sua versão heterogênea. Por esse motivo é um dos temas que mais tem crescido no número de pesquisas na área de machine learning. Mas em geral, algoritmos de classificação em grafos heterogêneos possuem problemas de escalabilidade quando aplicados em grafos com um grande número de nós. Neste trabalho, é proposto um frame-work para escalar algoritmos de classificação de grafos heterogêneos utilizando métodos multiníveis. Para isso, são feitas adaptações em métodos criados para redes homogêneas e bi-partidas. O procedimento proposto será avaliado em grafos gerados artificialmente, permitindo variar a forma e tamanho das entradas, de forma que se tenha uma análise extensa do comportamento do mesmo.
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