In this article, we evaluate the performance of combining several model compression techniques. The techniques assessed were dark knowledge distillation, pruning, and quantization. We found that in the scenario in which we developed the experiments, classification of chest x-rays, the combination of these three techniques yielded a new model capable of aggregating the individual advantages of each one. In the experiments we used a combination of deep models with 95.05% accuracy, a value higher than that reported in some related works but lower than the state of the art, whose accuracy is 96.39%. The accuracy of the compressed model in turn was 90.86%, a small loss compared to the gain obtained from the reduction, in bytes, in relation to the size of the original model. The size has been reduced from 841MB to 40KB, which opens up the possibility for using deep models in edge computing applications.

Traffic light detection and recognition (TLR) research has grown every year. In addition, Machine Learning (ML) has been largely used not only in traffic light research but in every field where it is useful and possible to generalize data and automatize human behavior. ML algorithms require a large amount of data to work properly and, thus, a lot of computational power is required to analyze the data. We argue that expert knowledge should be used to decrease the burden of collecting a huge amount of data for ML tasks. In this paper, we show how such kind of knowledge was used to reduce the amount of data and improve the accuracy rate for traffic light detection and recognition. Results show an improvement in the accuracy rate around 15%. The paper also proposes a TLR device prototype using both camera and processing unit of a smartphone which can be used as a driver assistance. To validate such layout prototype, a dataset was built and used to test an ML model based on adaptive background suppression filter (AdaBSF) and Support Vector Machines (SVMs). Results show 100% precision rate and recall of 65%.

Research on Traffic Light Recognition (TLR) has grown in recent years, primarily driven by the growing interest in autonomous vehicles development. Machine Learning algorithms have been widely used to that purpose. Mainstream approaches, however, require large amount of data and a lot of computational resources. In this paper we propose the use of Expert Instruction (EI) to reduce the amount of data required to provide accurate ML models for TLR. Given an image of the exterior scene taken from the inside of a vehicle, we stand the hypothesis that the picture of a traffic light is more likely to appear in the central and upper regions of the image. Frequency Maps of traffic light locations were thus constructed to confirm this hypothesis. Results show increased accuracies for two different benchmarks, by at least 15%. The inclusion of EI in the PCANet achieved a precision of 83% and recall of 73% against 75.3% and 51.1% of its counterpart. We finally presents a prototype of a TLR Device with such EI model to assist drivers. To show the feasibility of the apparatus, a dataset was obtained in real time usage and tested in an AdaBSF and SVM algorithms to detect and recognize traffic lights. Results show precision of 100% and recall of 90.9%.

Objetivo do estudo: Propor e avaliar um processo para gestão (e desenvolvimento) de trabalhos acadêmicos de Tecnologias de Informação e Comunicação (TIC) que potencialize a geração de inovação e estimule o empreendedorismo. Em termos práticos, o objetivo é o de construir um processo que molde a pesquisa realizada guiando-a para a criação de um produto mínimo viável (do inglês, Minimum Viable Product - MVP). Relevância: A Universidade e o setor produtivo possuem dificuldades de alinhamento, principalmente pelas grandes diferenças em relação às expectativas sobre a aplicação daquilo que se investiga ou se desenvolve. Essas dificuldades prejudicam a geração de inovação e, consequentemente, o desenvolvimento tecnológico e a industrialização do país, relegando-o ao 64º lugar dentre 126 Economias, segundo o Índice Global de Inovação. Metodologia: Esta pesquisa é quantitativa e qualitativa. De caráter qualitativo, foi realizada uma revisão sistemática da literatura relacionada com o objetivo de expor vantagens e limitações em relação aos critérios de comparação. O processo criado, denominado LUDUS, foi aplicado rigorosamente a trabalhos finais de graduação (TCCs) ao longo de um ano no Departamento de Computação da Universidade Federal de Sergipe (UFS). Definimos três métricas quantitativas de desempenho para avaliar a adoção do LUDUS: (i) índice de abandono de projetos, (ii) taxa de geração de MVPs, (iii) taxa de criação de startups. Principais resultados: O LUDUS foi responsável por viabilizar a construção de provas de conceito (do inglês, Proof of Concept - PoC) ou MVPs com uma taxa de 70,5% de sucesso diante da inexistência de casos de sucesso no período pré LUDUS. Em termos acadêmicos, o LUDUS viabilizou um aumento da taxa de conclusão de TCCs de ~69% para ~86%. Contribuições: Um novo processo de desenvolvimento e gestão de pessoas para ajudar a mitigar o problema identificado foi concebido, testado e validado.

Introdução: A síntese audiovisual é essencial para democratizar o conhecimento, facilitar pesquisa e aprendizado, aprimorar a experiência do usuário e promover inclusão digital, mas a produção manual de resumos é trabalhosa e não é escalável. A IA automatiza esse processo, mas ainda não há uma solução automatizada completa, de baixo custo e de fácil uso. Este trabalho propõe um roteiro para criar um pipeline automatizado "caseiro" para gerar resumos em português a partir de vídeos com áudio em inglês. Método: para atingir o objetivo proposto, implementamos quatro algoritmos em pipeline para: (1) extrair o áudio do vídeo, (2) transcrevê-lo para texto, (3) resumir o texto na língua original e (4) traduzir o resumo para português. Os algoritmos usam modelos de aprendizado de máquina e são validados com métricas específicas para cada etapa: WER, CER, ROUGE, BLEU. Resultados: o trabalho apresenta o “Smart Summy”, uma arquitetura e solução integrada para geração automática de resumos em português de vídeos em inglês, com execução em nuvem, sem necessidade de instalação ou entendimento de tecnologias por parte do usuário, e de interface leve, simples e intuitiva. Avaliações quantitativas das etapas do pipeline com uso das métricas estabelecidas demonstram altíssima qualidade na transcrição, boa qualidade do resumo em inglês e ótimo poder de tradução para o português. Conclusão: o “Smart Summy” e seu roteiro de uso orientado demonstra poder preencher uma lacuna ainda existente no que concerne à integração de ferramentas (ou modelos) de Inteligência Artificial para automatização da produtividade do usuário “comum”.