25 jul 2022
10:00 Defesa de Mestrado Integralmente a Distancia
Tema
Análise de Neural Architecture Search para Detecção de Objetos
Aluno
Cicera Vanessa Marques Sampaio Sidrim
Orientador / Docente
Sandra Eliza Fontes de Avila
Breve resumo
Uma das etapas do processo de automação do aprendizado de máquina (AutoML) é o Neural Architecture Search (NAS), que consiste na construção de arquiteturas de redes neurais profundas de forma automatizada. O objetivo principal dessa tecnologia é reduzir os esforços manuais e o tempo gasto nessa etapa, gerando automaticamente uma arquitetura propícia para um determinado conjunto de dados. A primeira rede NAS proposta surgiu em 2017 e exigia um alto poder computacional para ser executada. Desde então, várias melhorias foram propostas com o intuito de reduzir o custo computacional de NAS, tais como novas estratégias de busca baseadas em algoritmos evolutivos e em descida do gradiente, além de novas formas de avaliar uma rede gerada por uma NAS. Apesar dos avanços ainda não vivemos a realidade onde os esforços e custos são reduzidos e os resultados são surpreendentes. Nesta dissertação, investigamos a literatura de modo a identificar soluções baseadas em NAS para a tarefa de detecção de objetos. Consideramos um cenário de execução com poucos dados e uma infraestrutura menos robusta em relação aos experimentos relatados na literatura, apresentando assim uma visão mais realista do uso da NAS, trazendo à tona dificuldades enfrentadas e justificando o porquê de ainda não estarmos vivendo esta realidade. Nossas investigações foram realizadas em quatro redes NAS (DetNAS, SP-NAS, PC-DARTS $+$ SSD e NAS without training) e duas ferramentas open-source de AutoML (H2O.ai e UFOD). Executamos a rede YOLOv5 em 4 diferentes datasets (Isoladores, BCCD, Aquarium, e Oxford Pets). Os resultados da YOLOv5 foram comparados com os resultados da SP-NAS, única rede NAS para detecção de objetos a qual foi possível a execução dentro das limitações existentes (poder computacional, disponibilidade e funcionamento do código) durante a etapa de experimentos. Para todas as bases de dados, os resultados da SP-NAS não superaram a YOLOv5.
Banca examinadora
Titulares:
Sandra Eliza Fontes de Avila IC/UNICAMP
Levy Boccato FEEC/UNICAMP
Aurea Rossy Soriano Vargas IC/UNICAMP
Suplentes:
Hélio Pedrini IC/UNICAMP
Paula Dornhofer Paro Costa FEEC/UNICAMP