Defesas & Seminários

CONVITE PARA DEFESA DE DISSERTAÇÃO - CRISTIANO FRAGA GUIMARÃES NUNES

Ter, 24 de Janeiro de 2017 10:37

CONVITE PARA DEFESA DE DISSERTAÇÃO

A Coordenação do Programa de Pós-Graduação em Modelagem Matemática e Computacional tem o prazer de convidar a comunidade científica para a 230ª sessão pública de apresentação e defesa da dissertação de Mestrado:

CANDIDATO: CRISTIANO FRAGA GUIMARÃES NUNES

TÍTULO:

Descritor Local Baseado em Filtros Log-Gabor para Correspondência de Pontos-Chave em Imagens Multiespectrais

BANCA EXAMINADORA

TITULARES:

Prof. Dr. Flávio Luis Cardeal Pádua (Orientador)

CEFET-MG

Prof. Dr. Jefersson Alex dos Santos

UFMG

Prof. Dr. Anísio Mendes Lacerda

CEFET-MG

LOCAL: Auditório do Prédio 17 - DECOM - sala 401, Campus II, CEFET-MG, Av. Amazonas, 7675 - Nova Gameleira

DIA:

17 de fevereiro de 2017 - Sexta-feira

HORA:

10:00 horas

RESUMO: Este trabalho apresenta um novo método descritor de características locais em imagens multiespectrais para ser aplicado em abordagens de correspondência de pontos-chave. O problema de correspondência de pontos-chave em imagens multiespectrais está presente em um amplo conjunto de aplicações em Visão Computacional, tais como: monitoramento de desastres naturais, sistemas de vigilância por vídeo, navegação de aeronaves guiadas por imagem, dentre outras. Diferentemente da grande maioria das abordagens anteriores, baseadas em métodos descritores projetados exclusivamente para imagens obtidas no espectro de luz visível, este trabalho propõe a utilização de um novo descritor local projetado especialmente para trabalhar com imagens multiespectrais. O descritor proposto, denominado Multiespectral Feature Descriptor (MFD), baseia-se na extração de informações das imagens nos domínios do espaço e da frequência por meio da utilização de filtros Log-Gabor. Para avaliar a eficácia e a eficiência do método proposto, utilizou-se duas bases de dados compostas por imagens obtidas nos espectros de luz visível e infravermelho, amplamente utilizadas na literatura, e comparou-se seu desempenho com algoritmos do estado da arte, tais como, EOH e LGHD. Os resultados experimentais obtidos demonstram que o descritor MFD possui maior eficiência computacional que os algoritmos descritores EOH e LGHD, bem como uma eficácia (precisão e revocação) estatisticamente comparável às de tais métodos.
Palavras-chave: Descritor de características locais. Imagens multiespectrais. Filtros Log-Gabor. Correspondência de pontos-chave.

 

Belo Horizonte, 09 de janeiro de 2017.

 

CONVITE PARA DEFESA DE DISSERTAÇÃO - DANIEL DE OLIVEIRA CAPANEMA

Ter, 24 de Janeiro de 2017 10:36

CONVITE PARA DEFESA DE DISSERTAÇÃO

A Coordenação do Programa de Pós-Graduação em Modelagem Matemática e Computacional tem o prazer de convidar a comunidade científica para a 229ª sessão pública de apresentação e defesa da dissertação de Mestrado:

CANDIDATO: DANIEL DE OLIVEIRA CAPANEMA

TÍTULO:

Estudo, Avaliação e Melhoria do Desempenho e Escalabilidade de um Algoritmo Iterativo para Hadoop

BANCA EXAMINADORA

TITULARES:

Prof. Dr. Adriano César Machado Pereira (Orientador)

UFMG

Prof. Dr. Carlos Augusto Paiva da Silva Martins

PUC Minas

Prof. Dr. Flávio Luis Cardeal Pádua

CEFET-MG

LOCAL: Auditório do Prédio 17 - DECOM - sala 101, Campus II, CEFET-MG, Av. Amazonas, 7675 - Nova Gameleira

DIA:

16 de fevereiro de 2017 - quinta-feira

HORA:

13:30 horas

RESUMO: Grandes volumes de dados são gerados e coletados atualmente através de sensores, dispositivos e redes sociais, assim a capacidade de lidar com grandes massas de dados tornou-se um importante fator para o sucesso de muitas organizações, exigindo, cada vez mais, a utilização de processamento paralelo e distribuído. Para auxiliar os desenvolvedores a projetar programas paralelos, existem várias ferramentas (frameworks), como Apache Hadoop e Spark, que fornecem diversos parâmetros de configuração e atribuir valores otimizados a todos eles não é tarefa trivial. Este trabalho investiga a influência desses parâmetros no desempenho do Apache Hadoop, utilizando o algoritmo HEDA, um algoritmo iterativo que calcula métricas de centralidade em grandes grafos. A execução do HEDA em uma rede complexa é extremamente importante, pois existem várias medidas de centralidade que determinam a importância de um vértice dentro do grafo. Observou-se que, em alguns casos, a melhoria no tempo de execução atingiu aproximadamente 80% aplicando os va-lores propostos nos parâmetros selecionados. Além disso, foi possível aumentar o consumo de CPU quatro vezes e alcançar um Speedup de 92% de linearidade. O trabalho também apresenta os métodos aplicados para preparar, executar e analisar os experimentos, o que poderá auxiliar em novos estudos.
Palavras-Chave: Algoritmos Iterativos, Computação Paralela e Distribuída, Hadoop, Parametrização.

 

Belo Horizonte, 09 de janeiro de 2017.

 

«InícioAnterior12345678910PróximoFim»
Editores