Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 1.992


Aluno: Esdras Souto Costa
Orientador: Prof. Germano Crispim Vasconcelos
Título: Meta Aprendizado para Detecção de Anomalia em Imagens
Data: 15/02/2022
Hora/Local: 14h – Virtual – interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Geber Lisboa Ramalho (UFPE / Centro de Informática)
Prof. Jairson Barbosa Rodrigues (UNIVASF / Colegiado de Engenharia da Computação)
Prof. Germano Crispim Vasconcelos (UFPE / Centro de Informática)


RESUMO:

A detecção de anomalias é uma tarefa crucial, tem um enorme impacto na 
sociedade e no bem-estar das pessoas. Considerada um problema desafiador, 
uma vez que a definição de ‘anomalia’ é ambígua, ou seja, qualquer evento 
que não esteja em conformidade com um comportamento considerado ‘normal’ 
pode ser visto como uma anomalia. Como exemplo, algumas situações 
enfrentadas diariamente em que algo é ‘anormal’ ou fora do comum: um 
acidente de trânsito; doenças; uma transação no cartão de crédito suspeita 
e assim por diante. Apesar dos grandes avanços em trabalhos recentes na 
detecção automática de anomalias e na área de Redes Neurais Profundas, tais modelos ainda demandam uma grande quantidade de dados para que se tire proveito de sua expressividade e desempenho. Sendo assim, o presente 
trabalho apresenta uma nova abordagem para a detecção semi-supervisionada de anomalias, quando somente de amostras ‘normais’ são consideradas no treinamento, bem como somente alguns exemplos estão disponíveis. Usando técnicas de meta-aprendizado, em particular MAML, a abordagem proposta é comparada com outros algoritmos na base de dados MVTec AD e demonstrou resultados promissores em tarefas de detecção de anomalias em objetos nunca vistos em treinamento.

Palavras-chave: Redes Neurais, Detecção de Anomalias, Meta Learning

Comentários desativados