16jul2026
09:00 Defesa de Doutorado Sala 85 do IC2
Tema
Diversity-Informed Deep Learning Selection and Model Ensembles for Common Bean Disease Detection
Aluno
Rubens de Castro Pereira
Orientador / Docente
Hélio Pedrini - Coorientadores: Murillo Lobo Junior e Díbio Leandro Borges
Breve resumo
A detecção de objetos em aprendizado profundo tem avançado significativamente nas arquiteturas e metodologias, mas continua desafiadora em imagens reais de campo devido a pequenos objetos, oclusões, ruído de fundo, desbalanceamento de classes e anotações limitadas. Na agricultura, essa técnica apoia a tomada de decisões, como a detecção de pestes, insetos e doenças em plantas. O mofo branco, causado pelo fungo Sclerotinia sclerotiorum, é especialmente desafiador por sua ampla gama de hospedeiros, sua persistência no solo e difícil manejo, afetando mais de 400 espécies de plantas, incluindo o feijão comum (Phaseolus vulgaris L.). Os métodos atuais tipicamente utilizam detectores individuais ou combinações de múltiplos detectores com arquiteturas e características de desempenho distintas. Embora os métodos de combinação por fusão tardia alcancem elevado desempenho na detecção, estes exigem consideráveis custos computacionais e de treinamento. A seleção de detectores baseada diversidade surge como uma estratégia promissora para combinar detectores, reduzindo o uso de recursos computacionais e melhorando o desempenho de detecção. Esta tese investigou o uso da diversidade de detectores para selecionar os mais promissores para a combinação por fusão tardia das predições, visando à melhoria na detecção. Duas abordagens distintas foram propostas para a seleção de detectores, baseadas na diversidade e na eficácia, para a posterior combinação das predições. Foi introduzido o framework Diversity-Informed Object Detector Fusion (DiODeFusion), que fornece uma lista de detectores selecionados com base em medidas de diversidade entre pares de detectores, para combinação por fusão tardia das predições. O segundo framework, Diversity-Informed Clustering for Object Detector Fusion (DiCODeFusion), seleciona os detectores mais promissores por meio de agrupamento hierárquico baseado em diversidade e realiza a fusão das predições. Além disso, foi desenvolvido um novo conjunto de imagens anotadas por especialistas para o fungo S. sclerotiorum e mofo branco a partir de imagens reais de campo de lavouras de feijão comum, denominado Sclerotinia and White Mold (SWM). Os detectores de referência avaliados no conjunto de dados SWM incluem SSD, Faster R-CNN, YOLOv8, YOLOv9, YOLOv10, DETR, e TransUNet adaptado. DiODeFusion foi avaliado exclusivamente no conjunto de dados SWM, enquanto DiCODeFusion considerou diferentes conjnto de dados incluindo SWM, NC, FDWE, e COCO 2017. Os detectores de referência foram treinados e avaliados separadamente em seus respectivos conjuntos de dados, conforme os protocolos experimentais. Os resultados do DiODeFusion revelaram que a seleção de detectores baseada em diversidade e fusão tardia superou o melhor detector individual em termos de F1-score, mesmo que este framework exija um parâmetro (k) para selecionar os top-k detectores. Além disso, os resultados do DiCODeFusion melhoraram o desempenho de detecção ao selecionar um cluster de detectores da hierarquia, diversificado e eficaz para a fusão das predições. As contribuições para a detecção de objetos foram apresentadas, acompanhadas dos avanços em estratégias de combinação de modelos de aprendizado profundo, alcançados por meio da seleção criteriosa de modelos de detecção de objetos para fusão tardia. Em resumo, esta tese aprofunda a compreensão da diversidade nas abordagens de combinação de detectores.
Banca examinadora
Titulares:
| Hélio Pedrini | IC/UNICAMP |
| Jayme Garcia Arnal Barbedo | EMBRAPA |
| Edimilson Batista dos Santos | DCC/UFSJ |
| Juliana Aparecida Fracarolli | FEAGRI/UNICAMP |
| Washington Luiz Miranda da Cunha | IC/UNICAMP |
Suplentes:
| Helena de Almeida Maia | IC/UNICAMP |
| Ronaldo Cristiano Prati | CMCC/UFABC |
| Moacir Antonelli Ponti | ICMC/USP |