Orientações

Os satélites são fontes de aquisição de dados preponderantes para realização do sensoriamento remoto, em virtude da sua capacidade de oferecer imageamento em várias bandas espectrais e em alta qualidade. Entretanto, as imagens de satélite podem ser sensíveis a presença de artefatos, tais como nuvens, sombras e neve, que interferem nas aplicações mencionadas. Diante disso, este trabalho apresenta uma nova abordagem de difusão latente com a combinação de canal de atenção e bloco residual para remoção de nuvens. Além disso, investigou-se também como a interação entre otimizadores e funções de perda influenciam o processo de aprendizagem para reconstrução de áreas nubladas através de modelo de difusão latente. 

Esta tese propõe uma arquitetura inovadora de Inteligência Artificial como Serviço (AIaaS), capaz de disponibilizar soluções inteligentes sob demanda para diferentes usuários e dispositivos. A abordagem integra computação de borda, aprendizado federado e otimização automática, permitindo o uso de IA de forma personalizada, escalável e eficiente. Os resultados demonstram o potencial da arquitetura para acelerar a adoção de aplicações inteligentes em cenários reais.

Este trabalho propõe uma nova estrutura de segmentação de plantas daninhas que utiliza arquiteturas baseadas em Transformers combinadas com estratégias de fusão precoce e tardia para integrar informações espectrais, espaciais e contextuais. Ao incorporar índices de vegetação e espaços de cores alternativos ao processo de segmentação, a abordagem supera significativamente os métodos de última geração em conjuntos de dados multiespectrais de UAV. Resultados experimentais nos conjuntos de dados RedEdge, Sequoia e Sugarcane demonstram a eficácia da metodologia proposta na distinção precisa entre plantas daninhas e culturas em diversos cenários agrícolas.

Este trabalho teve como objetivo desenvolver modelos de predição de readmissões hospitalares potencialmente evitáveis (RHPE) de 30 dias, para crianças e adolescentes, internados em hospital de nível terciário. RHPE são eventos complexos com impacto negativo tanto para o paciente como para o sistema de saúde. Na população pediátrica um episódio de readmissão pode ser ainda pior, podendo impactar no desenvolvimento da criança ou adolescente, afetando negativamente o desenvolvimento motor, cognitivo, emocional e psicossocial a curto, médio e principalmente em longo prazo. Assim, o desenvolvimento de modelos de predição, especialmente utilizando o aprendizado de máquina, tem sido promissor para minimizar este desfecho. 

O trabalho analisa o uso de redes neurais de segmentação para melhorar imagens de tomografia computadorizada de baixa dose (LDCT), que apresentam ruídos devido à redução da radiação. Foram avaliadas quatro arquiteturas (U-Net, LinkNet, PSPNet e MA-Net) combinadas com diferentes backbones, utilizando o conjunto de dados AAPM 2016. O estudo considerou tanto métricas quantitativas, como PSNR e SSIM, quanto a qualidade visual das imagens reconstruídas, com o objetivo de identificar combinações mais eficazes na preservação de estruturas anatômicas. O trabalho demonstrou que esses modelos, mesmo sendo usados tradicionalmente para segmentação, podem ser altamente eficazes na reconstrução de imagens médicas que contém ruídos.

As técnicas de melhoramento de fala são cruciais para recuperar uma fala limpa a partir de sinais degradados por ruído e condições acústicas subótimas, como ruído de fundo e eco. Esses desafios exigem métodos eficazes de redução de ruído para melhorar a clareza da fala. Este trabalho apresenta uma versão otimizada da arquitetura CleanUNet, uma rede neural convolucional baseada na arquitetura U-Net, projetada explicitamente para tarefas de redução de ruído em fala causal. Nossa abordagem introduz a arquitetura Mamba como uma nova alternativa ao gargalo do modelo que utiliza Transformer, permitindo um processamento mais eficiente das saídas do codificador com complexidade linear. 

A detecção de linhas de plantio é uma etapa importante para várias aplicações da Agricultura de Precisão, como o controle de ervas daninhas e a previsão de safra. A partir de imagens de VANTs de plantações de cana-de-açúcar de variados locais, foi avaliado modelos de Deep Learning para a segmentação automática das linhas de plantio.  Dentre eles, U-Net que obteve os melhores resultados, com 0,90 ou mais de Coeficiente de Dice para quase todos cenários.