{"id":1260,"date":"2024-02-23T19:26:55","date_gmt":"2024-02-23T19:26:55","guid":{"rendered":"https:\/\/prlalmeida.com.br\/dsbd\/?page_id=1260"},"modified":"2026-01-22T21:40:21","modified_gmt":"2026-01-22T21:40:21","slug":"projeto-pklot-2-0","status":"publish","type":"page","link":"https:\/\/prlalmeida.com.br\/dsbd\/pt\/projeto-pklot-2-0\/","title":{"rendered":"Projeto MetaPKLot"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Projeto METAPKLot <\/h1>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Aprendizado de M\u00e1quina Aplicado em Cidades Inteligentes<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t
<\/div>\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Este projeto tem como objetivo propor novas t\u00e9cnicas que aproveitam o uso de c\u00e2meras para aprimorar a gest\u00e3o automatizada do tr\u00e1fego em cidades inteligentes por meio de aprendizado de m\u00e1quina<\/strong>. Ele aborda quest\u00f5es como a detec\u00e7\u00e3o autom\u00e1tica de vagas de estacionamento, a identifica\u00e7\u00e3o de \u00e1reas congestionadas com ve\u00edculos e a gera\u00e7\u00e3o de informa\u00e7\u00f5es relevantes, como o tempo de utiliza\u00e7\u00e3o de infraestruturas vi\u00e1rias espec\u00edficas em \u00e1reas urbanas.<\/p>

As solu\u00e7\u00f5es desenvolvidas neste projeto poderiam, por exemplo, auxiliar na orienta\u00e7\u00e3o dos motoristas para a vaga de estacionamento mais pr\u00f3xima dispon\u00edvel, economizando tempo e combust\u00edvel. Al\u00e9m disso, essas solu\u00e7\u00f5es abrem a possibilidade de criar novas oportunidades de neg\u00f3cios, como cobran\u00e7a automatizada com base na dura\u00e7\u00e3o que um ve\u00edculo ocupa uma vaga de estacionamento espec\u00edfica.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Principais Tecnologias<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Aprendizado Profundo, Segmenta\u00e7\u00e3o por Inst\u00e2ncia, Processamento de Imagem e Dispositivos IoT.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Equipe do Projeto<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\"foto<\/figure>

Alceu de Souza Britto Jr.<\/h3>

PUCPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Andre Hochul<\/h3>

PUCPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Eduardo Cunha de Almeida<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Luiz Eduardo S. de Oliveira<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Paulo R. Lisboa de Almeida<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Bruno Aquiles<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Luan Kujavski<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Marcelo Ribas<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"Helo\u00edsa<\/figure>

Helo\u00edsa Mendes<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"Paulo<\/figure>

Paulo Mateus Luza<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Nadia Luana Lobkov<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Thamiris Yamate Fischer<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Pietro Comin<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

RESULTADOS ATUAIS<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Mapeamento automatizado do layout de \u00e1reas de estacionamento<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Nosso m\u00e9todo, conforme apresentado na IEEE SMC 2023<\/strong>, tem a capacidade de identificar automaticamente \u00e1reas de estacionamento por meio de c\u00e2meras<\/strong>, totalmente livre de interven\u00e7\u00e3o humana. Isso nos permite mapear e monitorar posteriormente essas regi\u00f5es dentro de cidades inteligentes<\/strong> com um esfor\u00e7o m\u00ednimo.<\/p>

A inova\u00e7\u00e3o central deste trabalho \u00e9 o m\u00e9todo denominado <\/span>GraphSpot<\/span><\/b>. Diferente de abordagens tradicionais que buscam linhas pintadas no ch\u00e3o, nossa t\u00e9cnica utiliza uma rede de segmenta\u00e7\u00e3o por inst\u00e2ncia para detectar ve\u00edculos e gerar um ‘Mapa de Calor’ baseado na ocorr\u00eancia. O sistema \u00e9 capaz de <\/span>aprender todo o layout do estacionamento observando apenas um \u00fanico dia de opera\u00e7\u00e3o<\/span><\/b><\/span>, identificando as \u00e1reas onde ve\u00edculos permanecem estacionados com frequ\u00eancia e desenhando automaticamente os limites das vagas. <\/span>Os testes mostraram uma precis\u00e3o de at\u00e9 <\/span>95,6% (AP25)<\/span><\/b><\/span>, sendo eficaz at\u00e9 mesmo em estacionamentos sem demarca\u00e7\u00e3o vis\u00edvel ou com ocupa\u00e7\u00e3o irregular.<\/span><\/p>

As solu\u00e7\u00f5es desenvolvidas neste projeto poderiam, por exemplo, auxiliar na orienta\u00e7\u00e3o dos motoristas para a vaga de estacionamento mais pr\u00f3xima dispon\u00edvel, economizando tempo e combust\u00edvel. Al\u00e9m disso, essas solu\u00e7\u00f5es abrem a possibilidade de criar novas oportunidades de neg\u00f3cios<\/strong>, como cobran\u00e7a automatizada com base na dura\u00e7\u00e3o que um ve\u00edculo ocupa uma vaga de estacionamento espec\u00edfica.<\/p>

No v\u00eddeo abaixo, voc\u00ea pode observar o sistema em a\u00e7\u00e3o, empregando uma fus\u00e3o de redes de segmenta\u00e7\u00e3o por inst\u00e2ncia e processamento de imagem para processar automaticamente imagens de um dia t\u00edpico de trabalho. Esse processo permite uma compreens\u00e3o abrangente do layout da \u00e1rea.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t
<\/div>\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Definindo a Melhor Estrat\u00e9gia: Modelos \u00danicos vs. Ensembles<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Um dos desafios fundamentais na cria\u00e7\u00e3o de sistemas de monitoramento escal\u00e1veis \u00e9 a capacidade de generaliza\u00e7\u00e3o: o sistema deve funcionar imediatamente em um novo estacionamento sem a necessidade de ser retreinado com dados locais (cen\u00e1rio cross-dataset<\/i>). <\/span>O objetivo \u00e9 viabilizar solu\u00e7\u00f5es <\/span>‘plug-and-play’ (ready-to-use)<\/span><\/b><\/span>, que possam ser instaladas em novas c\u00e2meras e come\u00e7ar a operar sem a onerosa tarefa de anota\u00e7\u00e3o manual de dados e retreinamento espec\u00edfico para cada novo local.<\/span><\/p>

Nesta pesquisa, apresentada na ICMLA 2023<\/b>, investigamos se a melhor estrat\u00e9gia para este problema seria o uso de Ensembles<\/b> (conjuntos de m\u00faltiplos modelos tomando decis\u00e3o em grupo) ou Modelos \u00danicos<\/b> robustos.<\/p>

Os resultados foram surpreendentes e definiram o rumo das pesquisas seguintes do laborat\u00f3rio:<\/p>

  1. A Diversidade \u00e9 Chave:<\/b> A diversidade dos dados de treinamento (como os encontrados no dataset PKLot) mostrou-se mais importante do que a complexidade da arquitetura do modelo.<\/p><\/li>

  2. Efici\u00eancia:<\/b> Contrariando a intui\u00e7\u00e3o de que “mais modelos s\u00e3o melhores”, um Modelo \u00danico (MobileNetV3)<\/b> superou as estrat\u00e9gias de Ensemble, alcan\u00e7ando uma acur\u00e1cia m\u00e9dia de 95,5%<\/b> em cen\u00e1rios desconhecidos.<\/p><\/li><\/ol>

    Essa descoberta permitiu focar esfor\u00e7os na otimiza\u00e7\u00e3o de modelos leves e \u00fanicos para dispositivos de borda, base para os trabalhos de destila\u00e7\u00e3o de conhecimento.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

    \n\t\t
    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t

    Otimizando Classifica\u00e7\u00e3o de Vagas de Estacionamento: Destila\u00e7\u00e3o de Modelos<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Nesta pesquisa, s\u00e3o exploradas solu\u00e7\u00f5es para otimizar a classifica\u00e7\u00e3o de imagens em aplica\u00e7\u00f5es de cidades inteligentes, como o monitoramento de vagas de estacionamento. <\/span>O envio de grandes volumes de dados para servidores centrais representa um desafio cr\u00edtico para a infraestrutura urbana: estima-se que <\/span>uma rede com 1.000 c\u00e2meras possa gerar um tr\u00e1fego de cerca de 35 gigabytes de dados por hora<\/span><\/b><\/span>, exigindo equipamentos de rede complexos e caros. Para mitigar esse gargalo, a solu\u00e7\u00e3o \u00e9 processar os dados na pr\u00f3pria borda (edge<\/i>), enviando apenas informa\u00e7\u00f5es leves para o servidor.<\/span><\/p>

    Para mitigar esse problema, os pesquisadores propuseram um modelo Teacher-Student<\/strong>, onde modelos Teacher<\/strong> (mais complexos) geram pseudo-r\u00f3tulos para treinar vers\u00f5es Student<\/strong> (mais leves), que podem ser implementadas diretamente em dispositivos de borda.<\/p>

    Os resultados mostram que os modelos Student<\/strong>, mesmo com 26 vezes menos par\u00e2metros<\/strong>, superaram os Teacher<\/strong>, alcan\u00e7ando 96,6% de precis\u00e3o<\/strong>, tornando a abordagem mais eficiente e escal\u00e1vel para cidades inteligentes.<\/p>

    Um dado not\u00e1vel desta pesquisa \u00e9 a valida\u00e7\u00e3o da qualidade dos “pseudo-r\u00f3tulos”: o modelo Student<\/i>, treinado apenas com a supervis\u00e3o do Teacher<\/i> (sem humanos), atingiu uma performance praticamente id\u00eantica (diferen\u00e7a de apenas 1,6%<\/b>) \u00e0 de um modelo hipot\u00e9tico treinado com dados perfeitamente rotulados (True Labels).<\/p>

    Um dos autores do artigo intitulado “Optimizing Parking Space Classification: Distilling Ensembles into Lightweight Classifiers”<\/strong><\/a><\/span>,\u00a0 publicado na ICMLA (IEEE 2024), apresentou um pouco do seu trabalho em v\u00eddeo no canal Bit Por Bit. Descubra mais no link abaixo.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

    \n\t\t\t\t
    \n\t\t\t\t\t\t\t
    \n\t\t\t
    <\/div>\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
    \n\t\t
    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t

    Usando Redes Neurais Profundas para Quantificar o Tempo de Perman\u00eancia em Estacionamentos<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Este estudo prop\u00f5e um m\u00e9todo inovador para calcular o tempo de perman\u00eancia de ve\u00edculos em vagas de estacionamento<\/b>, utilizando duas redes neurais profundas. <\/span>O desafio aqui vai al\u00e9m de detectar a ocupa\u00e7\u00e3o: \u00e9 preciso realizar a <\/span>re-identifica\u00e7\u00e3o veicular<\/span><\/b>, garantindo que o sistema saiba que o carro visto agora \u00e9 o mesmo de horas atr\u00e1s, apesar de mudan\u00e7as na ilumina\u00e7\u00e3o, sombras ou chuva<\/span><\/span>. A primeira rede classifica se uma vaga est\u00e1 ocupada ou vazia, enquanto a segunda, uma rede Siamesa, verifica se o carro estacionado \u00e9 o mesmo em imagens consecutivas. O sistema foi testado em um cen\u00e1rio cross-dataset<\/i>, onde os modelos foram treinados em um conjunto de dados (PKLot) e validados em outro (CNRPark-EXT), sem usar amostras do estacionamento alvo durante o treinamento.<\/span><\/p>

    Os resultados mostraram que, com um classificador perfeito, o sistema atingiu\u00a075% de previs\u00f5es precisas<\/strong>, onde o tempo estimado coincidiu exatamente com o tempo real de perman\u00eancia. No entanto, ao usar um classificador real, a precis\u00e3o caiu para\u00a049%<\/strong>, evidenciando que a qualidade do classificador inicial impacta significativamente o desempenho da rede Siamese. O erro m\u00e9dio absoluto (MAE) foi de\u00a046 minutos<\/strong>\u00a0para o PKLot e\u00a054 minutos<\/strong>\u00a0para o CNRPark-EXT.<\/p>

    A pesquisa conclui que a rede Siamesa \u00e9 promissora para rastrear ve\u00edculos ao longo do tempo, mas sua efic\u00e1cia depende da precis\u00e3o do classificador. Melhorias no classificador e no treinamento da rede Siamese podem aumentar a precis\u00e3o do sistema, tornando-o vi\u00e1vel para aplica\u00e7\u00f5es em cidades inteligentes, como detec\u00e7\u00e3o de carros abandonados ou estacionamento irregular.<\/p>

    O artigo intitulado “Using Deep Neural Networks to Quantify Parking Dwell Time<\/strong><\/a><\/span>”\u00a0 foi aceito na ICMLA (IEEE 2024).<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

    \n\t\t\t\t
    \n\t\t\t\t\t\t\t
    \n\t\t\t
    <\/div>\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
    \n\t\t
    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t

    Regulariza\u00e7\u00e3o em Redes Neurais com Reamostragem de Dados para Monitoramento Urbano Inteligente<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Esse estudo prop\u00f5e um novo m\u00e9todo de regulariza\u00e7\u00e3o<\/strong> para redes neurais, voltado a aplica\u00e7\u00f5es de cidades inteligentes, como o gerenciamento de vagas de estacionamento. A t\u00e9cnica consiste em usar subconjuntos menores do dataset em mais \u00e9poca de treinamento, aplicando reamostragem din\u00e2mica<\/strong> ao longo das \u00e9pocas. Essa estrat\u00e9gia busca reduzir o<\/strong> overfitting<\/strong> e melhorar a<\/strong> generaliza\u00e7\u00e3o<\/strong> do modelo.<\/p>

    Foram conduzidos quatro experimentos com a arquitetura MobileNetV3-Small, utilizando os conjuntos de dados PKLot e CNRPark-EXT. O m\u00e9todo permitiu reduzir em at\u00e9<\/strong> 97% o n\u00famero de imagens por \u00e9poca<\/strong>, mantendo acur\u00e1cia m\u00e9dia pr\u00f3xima de 89%<\/strong>.<\/p>

    Os resultados indicam que maior diversidade e volume de dados<\/strong>, como no PKLot, melhoram a robustez e reduzem o overfitting<\/strong>, enquanto conjuntos menores, como o CNRPark-EXT, tendem a ser mais suscet\u00edveis a ele. Apesar disso, a reamostragem din\u00e2mica demonstrou potencial para aumentar a efici\u00eancia e generaliza\u00e7\u00e3o em cen\u00e1rios com restri\u00e7\u00f5es computacionais.<\/p>

    A pesquisa conclui que o m\u00e9todo de regulariza\u00e7\u00e3o proposto \u00e9 promissor para aplica\u00e7\u00f5es de vis\u00e3o computacional em ambientes urbanos.<\/p>

    O artigo intitulado “Regulariza\u00e7\u00e3o em Redes Neurais com Reamostragem de Dados para Monitoramento Urbano Inteligente<\/strong><\/a><\/span>” foi publicado no Anais do Computer on the Beach 2025<\/strong><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

    \n\t\t
    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t

    Proposta de Modelos Leves para Classifica\u00e7\u00e3o de Vagas de Estacionamentos em Cidades Inteligentes<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Considerando o contexto de cidades inteligentes, especialmente no problema de classifica\u00e7\u00e3o de vagas em vazia ou ocupada, o artigo aborda a necessidade de desenvolver modelos leves e eficientes<\/strong>, capazes de lidar com o grande volume de dados gerado por sistemas de monitoramento urbano.<\/p>

    O estudo sugeriu e investigou modifica\u00e7\u00f5es na rede Hochuli, avaliando seu desempenho nos conjuntos de dados PKLot e CNRPark-EXT, com o objetivo de reduzir a complexidade do modelo<\/strong> sem comprometer significativamente a acur\u00e1cia. A pesquisa prop\u00f4s duas novas arquiteturas de redes neurais convolucionais: CustomNNSmall<\/strong> e CustomNNLarge<\/strong>, que reduziram o n\u00famero de par\u00e2metros<\/strong> em at\u00e9 88 vezes<\/strong> e 34 vezes<\/strong>, respectivamente, em compara\u00e7\u00e3o \u00e0 MobileNetV3-Large<\/strong>.<\/p>

    Os resultados demonstraram que, mesmo com essa dr\u00e1stica redu\u00e7\u00e3o de par\u00e2metros, as novas arquiteturas apresentaram apenas cerca de 2% menos acur\u00e1cia m\u00e9dia<\/strong> em rela\u00e7\u00e3o \u00e0 MobileNet<\/strong>. No caso da CustomNNSmall<\/strong>, a redu\u00e7\u00e3o de par\u00e2metros chegou a 88 vezes<\/strong>, com uma perda de apenas 1,8% de acur\u00e1cia<\/strong>. J\u00e1 a CustomNNLarge<\/strong> obteve resultados ainda mais consistentes, com alta estabilidade e precis\u00e3o m\u00e9dia de 95,9%<\/strong>, sendo uma alternativa promissora para aplica\u00e7\u00f5es em dispositivos de borda<\/strong>.<\/p>

    A pesquisa conclui que \u00e9 poss\u00edvel diminuir significativamente o custo computacional<\/strong> mantendo alto desempenho, o que torna as redes propostas especialmente adequadas para sistemas embarcados e monitoramento urbano em larga escala<\/strong>.<\/p>

    O artigo intitulado “Proposta de Modelos Leves para Classifica\u00e7\u00e3o de Vagas de Estacionamentos em Cidades Inteligentes<\/strong><\/a><\/span>” foi publicado no Anais do Computer on the Beach 2025<\/strong><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

    \n\t\t
    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t

    Investigando os problemas na diferencia\u00e7\u00e3o da ReLU no treinamento de modelos de Aprendizado Profundo<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Nessa pesquisa, \u00e9 investigado como os pontos de n\u00e3o diferenciabilidade em fun\u00e7\u00f5es de ativa\u00e7\u00e3o<\/strong>, em especial a ReLU, afetam o treinamento de redes neurais<\/strong>. Para essa an\u00e1lise, o trabalho compara o comportamento das redes Hochuli, e suas varia\u00e7\u00f5es, com a MobileNetV3 em rela\u00e7\u00e3o ao uso de fun\u00e7\u00f5es n\u00e3o diferenci\u00e1veis, como a ReLU, Hardsigmoid e Hardswish e fun\u00e7\u00f5es diferenci\u00e1veis, como a GELU, Sigmoid e Swish<\/p>

    O estudo mostra que a propor\u00e7\u00e3o<\/strong> entre a quantidade de ocorr\u00eancias do ponto de n\u00e3o diferenciabilidade da ReLU sobre a quantidade total de chamadas \u00e0 fun\u00e7\u00e3o de ativa\u00e7\u00e3o \u00e9 principalmente afetada pela profundidade da rede<\/strong>, ou seja, quanto mais profunda menor a incid\u00eancia no ponto n\u00e3o diferenci\u00e1vel<\/strong>. Al\u00e9m disso, fun\u00e7\u00f5es diferenci\u00e1veis oferecem uma converg\u00eancia ligeiramente mais precoce, enquanto fun\u00e7\u00f5es n\u00e3o diferenci\u00e1veis apresentam leve vantagem em velocidade de infer\u00eancia. Os resultados refor\u00e7am que a escolha pr\u00e1tica entre ReLU e alternativas diferenci\u00e1veis pode ser guiada mais por efici\u00eancia computacional do que por limita\u00e7\u00f5es te\u00f3ricas de diferenciabilidade.<\/p>

    O artigo intitulado “Diferenciando o N\u00e3o Diferenci\u00e1vel: Investigando os problemas na diferencia\u00e7\u00e3o da ReLU no treinamento de modelos de Aprendizado Profundo<\/strong><\/a><\/span>” foi publicado no Anais do Computer on the Beach 2025<\/strong><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

    \n\t\t
    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t

    Trabalhos de Conclus\u00e3o de Curso<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Trabalhos de Conclus\u00e3o de Curso:<\/p>

    Nesse projeto foram gerados alguns trabalhos de conclus\u00e3o de curso, al\u00e9m de disserta\u00e7\u00f5es de mestrado que est\u00e3o em andamento. Dentre os trabalhos gerados, est\u00e3o os seguintes:<\/p>

    Luza Alves, Paulo M. Otimizando a Classifica\u00e7\u00e3o de Vagas de Estacionamento: Destilando Conjuntos em Modelos Leves. 2024. Link<\/a><\/span><\/p>

    Eckermann Cardoso, Erick. Impacto de Imagens Sint\u00e9ticas na Classifica\u00e7\u00e3o de Vagas de Estacionamento Usando Redes Neurais.Link<\/a><\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

    \n\t\t\t\t\t
    \n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

    Projeto METAPKLot Aprendizado de M\u00e1quina Aplicado em Cidades Inteligentes https:\/\/www.youtube.com\/watch?v=L6lWhA8GRLE Este projeto tem como objetivo propor novas t\u00e9cnicas que aproveitam […]<\/p>\n","protected":false},"author":4,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"site-sidebar-layout":"no-sidebar","site-content-layout":"","ast-site-content-layout":"full-width-container","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"disabled","ast-breadcrumbs-content":"","ast-featured-img":"disabled","footer-sml-layout":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"class_list":["post-1260","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/pages\/1260","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/comments?post=1260"}],"version-history":[{"count":92,"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/pages\/1260\/revisions"}],"predecessor-version":[{"id":2537,"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/pages\/1260\/revisions\/2537"}],"wp:attachment":[{"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/media?parent=1260"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}