Titulo Estágio
Few-shot Learning aplicado a Agricultura inteligente
Áreas de especialidade
Sistemas Inteligentes
Local do Estágio
CISUC
Enquadramento
Os algoritmos de Machine Learning (ML) têm superado os humanos em várias tarefas, incluindo detecção de objetos, diagnóstico médico e jogos. Especificamente, os modelos de Deep Learning (DL) podem ser poderosos, mas requerem uma grande quantidade de dados para serem construídos. Também necessitam de recursos computacionais substanciais e, consequentemente, tempo para serem treinados.
Para aliviar os pesados requisitos de DL, várias técnicas têm sido aplicadas para aumentar sua eficiência. O Active Learning (AL) visa treinar modelos usando apenas os dados mais relevantes, reduzindo assim o volume de dados necessários. O Transfer Learning (TL), por outro lado, aproveita o conhecimento de modelos pré-treinados como ponto de partida para o aprendizado de novos modelos.
Explorar a eficiência do ML é particularmente relevante quando há escassez de dados e os algoritmos precisam generalizar seus conhecimentos para executar tarefas para as quais os exemplos são escassos.
Objetivo
Neste estágio, o objetivo é aprofundar-se na área de Few-Shot Learning, que visa criar modelos que, treinados com poucos exemplos, tenham um bom desempenho generalizando seus conhecimentos. Esse campo será explorado no contexto da agricultura inteligente, que junta tecnologia com agricultura para aumentar a sua eficiência. Especificamente, será focada a detecção de pragas em plantas por meio de imagens. No entanto, a detecção da biodiversidade animal não apenas em imagens, mas também em áudio (por exemplo, identificando pássaros por meio de suas canções) também fará parte da exploração.
Nesta dissertação, o aluno deverá estudar, propor, implementar e testar abordagens para a aplicação de few-shot learning na área da agricultura inteligente.
Para isto, terão de se atingir os seguintes objetivos:
- Estudo do estado de arte
- Estudo das abordagens disponíveis para o desenvolvimento de modelos
- Análise dos dados existentes no âmbito do projeto Pegada 4.0 tanto imagens como sons
- Definição de uma proposta de aplicação das abordagens aos dados analisados
- Implementação e análise da solução proposta
Plano de Trabalhos - Semestre 1
- Revisão da literatura
- Identificação de abordagens e dados
- Definição do domínio e caso de estudo
- Experiências preliminares
- Elaboração da proposta de dissertação
Plano de Trabalhos - Semestre 2
- Implementação e análise de diferentes abordagens de few-shot learning
- Avaliação de desempenho
- Análise das vantagens e desvantagens de cada abordagem no domínio em questão e a sua aplicabilidade
- Proposta de uma solução
- Elaboração da dissertação de mestrado
- Escrita de artigo científico
Condições
O local de trabalho será num laboratório do CISUC, no DEI, onde haverá um acompanhamento regular por parte do orientador.
A dissertação contribuirá para o projeto de investigação financiado Pegada 4.0 e, nesse âmbito, o aluno selecionado poderá candidatar-se a uma bolsa de investigação para licenciado, no valor de 930€/mês, com duração entre 6 a 12 meses.
Orientador
Catarina Silva e Bernardete Ribeiro
catarina@dei.uc.pt 📩