Navegando por Autor "Costa, Hagi Jakobson Dantas da"
Agora exibindo 1 - 2 de 2
- Resultados por página
- Opções de Ordenação
Dissertação An evolving multivariate time series compression algorithm for IoT applications(Universidade Federal do Rio Grande do Norte, 2024-12-19) Costa, Hagi Jakobson Dantas da; Silva, Ivanovitch Medeiros Dantas da; Silva, Marianne Batista Diniz da; https://orcid.org/0000-0002-0116-6489; http://lattes.cnpq.br/3608440944832201; http://lattes.cnpq.br/6563621187728660; Viegas, Carlos Manuel Dias; Gendriz, Ignacio SanchezA Internet das Coisas (IoT) está transformando a forma como os dispositivos interagem e compartilham dados, especialmente em áreas como o monitoramento veicular. No entanto, a transmissão de grandes volumes de dados em tempo real pode resultar em alta latência e consumo substancial de energia. Nesse contexto, o Tiny Machine Learning (TinyML) surge como uma solução promissora, permitindo a execução de modelos de aprendizado de máquina em dispositivos embarcados com recursos limitados. Este trabalho tem como objetivo desenvolver duas abordagens online de compressão de séries temporais multivariadas especificamente projetadas para TinyML, utilizando o framework Typicality and Eccentricity Data Analytics (TEDA). As abordagens propostas são baseadas na excentricidade dos dados e não exigem modelos matemáticos predefinidos ou suposições sobre a distribuição dos dados, otimizando assim o desempenho da compressão. Ambas as abordagens foram aplicadas a dois estudos de caso: um utilizando o dispositivo Freematics ONE+ para monitoramento veicular em um cenário embarcado, e outro utilizando o conjunto de dados OBD-II coletado do Freematics ONE+ em um contexto não embarcado. Os resultados indicam que as abordagens propostas, seja para compressão paralela ou sequencial, apresentam melhorias significativas no tempo de execução e nos erros de compressão. Esses achados destacam o potencial das abordagens para melhorar o desempenho de sistemas IoT embarcados, aprimorando a eficiência e a sustentabilidade de aplicações veiculares.TCC Classificação de raças de cachorro utilizando técnicas de transfer learning na plataforma Edge Impulse(Universidade Federal do Rio Grande do Norte, 2023-07-03) Pereira, Rubens Macedo; Silva, Ivanovitch Medeiros Dantas da; Costa, Hagi Jakobson Dantas da; Andrade, Pedro Henrique Meira deAtualmente são reconhecidas 365 raças de cachorro pela Federação Cinológica Internacional, cada uma delas tem suas características específicas, como tamanho, pelagem, temperamento e habilidades. Os cães são apontados como os animais domésticos mais comuns, e o Brasil abriga a segunda maior população canina do mundo. A identificação da raça canina tem sido tradicionalmente realizada por especialistas, no entanto, esta análise pode demandar tempo para avaliar cada cachorro. A classificação adequada das raças de cães é de extrema importância tanto para indivíduos que possuem ou planejam ter um cachorro, quanto para organizações e instituições que trabalham com estes animais. Desta forma, torna-se necessário o desenvolvimento de aplicações baseadas em técnicas de inteligência artificial. Porém, desenvolver uma aplicação para este propósito torna-se uma tarefa desafiadora, levando-se em consideração a complexidade e variabilidade das características de cada raça. A classificação de imagens sem qualquer informação requer uma base de dados extensa, o que pode ser minimizado com o uso do transfer learning. Neste contexto, a plataforma Edge Impulse surge como uma escolha poderosa, já que permite aos desenvolvedores trabalharem com ferramentas para construção de Machine Learning desde as etapas iniciais do processo de criação do modelo. O objetivo deste trabalho consistiu em desenvolver um modelo de classificação de raças caninas, utilizando a plataforma Edge Impulse como ambiente de trabalho. Para isto, foi realizada a preparação do conjunto de dados 'Dog Breed Identification' disponibilizado no Kaggle, divididos em 120 classes, que deu início ao pipeline de treinamento (pré-processamento das imagens e na definição de parâmetros). Nesta configuração, foi obtido uma precisão de 41% em 6 épocas. Com base neste resultado, e com intuito de sanar as limitações impostas pelo plano gratuito da plataforma, decidiu-se reduzir o número de classes para 100, 70, 50, 30, 15 e 11. Assim sendo, foi obtida a melhor precisão, para a análise com 11 classes, de 82.9%. Embora a plataforma Edge Impulse tenha limitações em relação ao tempo de treinamento, ela se apresenta como opção adequada para aplicações de classes menores. Este estudo contribui para o avanço da aplicação de transfer learning na classificação de imagens - no presente trabalho aplicado para raças caninas - e no uso da plataforma Edge Impulse como uma alternativa para aplicações TinyML.