- Steve Jobs -
“Stay Hungry, stay foolish”
O trabalho tinha como objetivo classificar imagens de uma câmera interna de um carro entre 10 tipos de classes de distrações. Para resolver isso, implementei uma ConvNet (Convolutional Neural Network) que era alimentada com as imagens como entrada e classificava cada uma delas. Com a melhor configuração de parâmetros da rede, nossa abordagem proposta atingiu 99% de accuracy no treino, obtendo erro de 0.837 no conjunto de teste do desafio, ficando na posição 479 de 1440 equipes no Kaggle. Após gerar o modelo, criei uma interface gráfica, onde dado um vídeo de entrada (ou em tempo real) apresentava para cada frame as top-5 possíveis categorias de distração.
Trabalho de Conclusão de Curso (TCC)
Identificação automática de espécies de morcegos usando Deep Learning
Propomos um método baseado na Aprendizagem Profunda para a classificação automatizada de espécies de morcegos. Utilizamos um filtro no áudio de entrada baseado em Fast Fourier Transform (FFT) para extrair cada patch que representa o sinal do morcego. Nosso conjunto de dados final foi composto por 1501 patches pertencentes a 9 espécies diferentes. No passo de classificação, utilizou-se uma Rede Neural Convolucional (ConvNet) para a classificação sonora de morcegos, uma alternativa para evitar a análise manual. Com os melhores parâmetros, nosso modelo apresentou uma melhora de 61% a 89% para a média de quatro métricas de avaliação em dados de teste. Isso representa uma grande melhoria nas atuais abordagens para a análise automatizada de registros de campo.
Sistema de Aprendizado de Máquina para Reconhecimento de Entidades Nomeadas em Português
Detecção de Falhas em Plantações de Cana-de-Açúcar
desenvolvimento de um sistema para capturar documentos da Internet, armazená- los e indexá -los de acordo com as entidades nomeadas reconhecidas por algoritmos de AM. O sistema também incluía funcionalidades para revisão das entidades reconhecidas pelos algoritmos de AM com o intuito de avaliar o desempenho destes algoritmos. O projeto foi feito em parceria com a empresa Tecsinapse e o Laboratório de Inteligência Artificial da UFMS e conduzido pelo professor Eraldo Luís. Neste projeto fiquei responsável pelo estudo e implementação de um crawler, para varrer e obter páginas da internet,um parser, para obter o conteúdo principal das páginas obtidas pelo crawler, estudo de banco de dados NoSql como forma de armazenamento das informações coletadas e implementação do protótipo da versão web para anotação das entidades nomeadas.
O objetivo deste projeto foi o desenvolvimento de algoritmos e métodos de Inteligência Artificial e Visão Computacional para o tratamento das imagens para a estimação das falhas a partir das imagens aéreas. tive contato com algoritmos de Clustering, segmentação de imagens, redes neurais e algoritmos de regressão, para resolver um problema de identificação de falhas em imagens de plantações de cana-de-açúcar, com o professor Edson Takashi Matsubara.