Titulo Estágio
Shared Computer Vision Architecture
Áreas de especialidade
Sistemas Inteligentes
Local do Estágio
Lisboa
Enquadramento
Enquadramento
A área de Visão Computacional tem vindo a atingir um nível de maturidade bastante elevado nos últimos
anos estando já a ser aplicada em problemas reais da indústria com bastante sucesso. Não obstante, para
cada tarefa industrial particular de visão computacional é necessário na maior parte dos casos treinar um
modelo específico com um dataset apropriado.
As Redes Neuronais Convolucionais Profundas (Deep Convolutional Neural Networks - DCNN) têm sido as
arquitecturas de referência para este tipo de tarefa. Dada a sua estrutura estratificada é possível minimizar o
esforço de treino específico para cada modelo, tirando partido dessa estratificação e reutilizando de modelo
para modelo o treino das camadas mais baixas.
Objetivo
Objectivos
O principal objectivo deste trabalho de Mestrado é desenhar e desenvolver uma DCNN que aprenda e
represente apenas as features mais elementares, que seja retreinável em continuum com os mais variados
datasets de imagens, e que seja reutilizável na composição de outras DCNNs para tarefas específicas de
Computer Vision.
O trabalho encontra-se dividido nos seguintes sub-objectivos:
1. Aprendizagem e Análise de Requisitos: ao longo de uma série de curtas sessões tutoriais, o aluno irá
adquirir os conceitos básicos de Computer Vision, Neural Networks, Deep Learning, e Convolutional Nets,
em contexto industrial, necessários para a realização do trabalho e que irão auxiliar no processo de análise
de requisitos;
2. Design: especificação da arquitectura da solução, suas componentes e interfaces, estruturas de dados e
algoritmos necessários para cumprir todos os requisitos;
3. Implementação, usando a linguagem de programação Python e a framework TensorFlow da solução
previamente desenhada;
4. Validação da solução e sua generalidade aplicando-a na composição de diversas DCNNs para domínios
específicos de imagens;
5. Comparação da performance do sistema contra ferramentas existentes para resolver problemas
compatíveis com esses sistemas;
6. Publicação: para além da escrita da tese e de um breve manual do utilizador, dependendo da qualidade
dos resultados obtidos, poderá esperar-se a colaboração na submissão de um pedido de patente ou de
artigo científico para publicação descrevendo o sistema implementado e sumarizando os principais
resultados.
Plano de Trabalhos - Semestre 1
Plano de trabalhos Semestre 1 (Tempo parcial 16h/s, no DEI
para alunos de MDM)
Para cumprir os objectivos acima, o trabalho será dividido nas seguintes tarefas:
Tarefa T1 — Aprendizagem e Requisitos
* Período: Setembro 2018
* Descrição: Aprendizagem dos conceitos básicos de machine learning. Identificação de todos os requisitos.
Instalação de sistemas alternativos para as comparações finais de performance.
* Output: Especificação de Requisitos. Primeiras versões das subsecções de “Background”, “Motivation” e
“Objectives” da secção “Introduction” do artigo/pedido de patente a ser submetido.
Tarefa T2 — Design
* Período: Outubro-Novembro 2018
* Descrição: Especificação da arquitectura da solução. Especificação dos vários tipos de nós, ligações,
métodos de aprendizagem e inferência do modelo híbrido. Especificação das estruturas de dados e
algoritmos necessários para implementar todos os mecanismos. Definição de objectivos intermédios e plano
detalhado.
* Output: Arquitectura. Primeira versão da secção “Approach” do artigo/pedido de patente a ser submetido.
Plano de trabalho detalhado.
Tarefa T3 — Relatório intermédio
* Período: Dezembro 2018
* Descrição: Escrita do Relatório intermédio.
* Output: Relatório intermédio
Plano de Trabalhos - Semestre 2
Plano de trabalhos Semestre 2 (Tempo inteiro 40h/s)
Tarefa T4 — Revisões
* Período: Janeiro 2019
* Descrição: Ajustamento do plano de trabalhos e revisão do relatório incluindo as indicações do júri da
defesa intermédia.
* Output: Objectivos, relatório e plano de trabalhos detalhado revistos.
Tarefa T5 — Implementação e Validação
* Período: Janeiro-Abril 2019
* Descrição: Implementação da solução.
* Output: Sistema implementado, testado e validado. Primeira versão da descrição da secção
“Implementation Principles” do artigo/pedido de patente a ser submetido.
Tarefa T6 — Comparação e Publicação
* Período: Abril-Maio 2019
* Descrição: Comparação de performance entre a ferramenta desenvolvida e outras ferramentas já existentes
para problemas compatíveis. Escrita e submissão da versão final do artigo, ou escrita da versão preliminar
do pedido de patente.
* Output: Comparação detalhada de performance. Primeira versão da secção “Comparisons” do artigo a ser
submetido. Versão final do artigo a ser submetido/preliminar do pedido de patente a ser submetido.
Tarefa T7 — Escrita da Tese
* Período: Janeiro-Maio 2019
* Descrição: Escrita do documento da Tese
* Output: Tese de Mestrado
Condições
O trabalho decorrerá na Accenture em Lisboa, sendo que o(a) aluno(a) usará um computador portátil da
Accenture. O estágio terá uma remuneração mensal de 800€ de bolsa durante a duração (9 meses) do
estágio.
Orientador
Alexandre Miguel dos Santos Martins Pinto
alexandre.pinto@accenture.com 📩