Compressão de redes neurais.

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Ferreira, Gabriel Bicalho
Orientador(a): Silva, Rodrigo César Pedrosa
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Inteligência artificial
Redes neurais - computação
Otimização matemática - otimização multiobjetivo
Aprendizado profundo - poda e quantização
Link de acesso: https://www.repositorio.ufop.br/handle/123456789/20816
Resumo: Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.
id UFOP_eadd0d43fcfd2d3b2250e0c2c99dd663
oai_identifier_str oai:repositorio.ufop.br:123456789/20816
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str
spelling Ferreira, Gabriel BicalhoSilva, Rodrigo César PedrosaSilva, Pedro Henrique LopesMeneghini, Ivan ReinaldoSilva, Rodrigo César Pedrosa2025-08-12T16:46:19Z2025FERREIRA, Gabriel Bicalho. Compressão de redes neurais. 2025. 74 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.https://www.repositorio.ufop.br/handle/123456789/20816Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.A implantação de redes neurais profundas em dispositivos com recursos limitados apresenta desafios significativos, especialmente em aplicações de saúde, onde a apren- dizagem de máquina, incluindo redes neurais convolucionais (CNNs), desempenha um papel essencial no diagnóstico médico e no suporte clínico em tempo real. Para mitigar esses desafios, técnicas como poda e quantização são amplamente emprega- das, exigindo ajustes criteriosos para garantir que o modelo final seja computacional- mente eficiente sem comprometer significativamente a precisão. Este projeto propõe um Algoritmo Evolucionário Multiobjetivo com Restrições para a compressão de redes neurais artificiais, automatizando esse processo e tornando-o mais robusto e acessível, especialmente para dispositivos médicos com recursos limitados. Os resul- tados experimentais com as arquiteturas ResNet-56, ResNet-110, VGG-16 e VGG- 19 no conjunto de dados CIFAR-10 demonstram que a abordagem proposta supera métodos tradicionais de poda e quantização, gerando conjuntos não dominados de maior qualidade. Os modelos resultantes são significativamente mais enxutos, com reduções de até 95% nos FLOPs e perdas de acurácia limitadas a no máximo 6%. Além disso, avaliamos a eficácia da poda e quantização nas arquiteturas ResNet50 e MobileNetV2 utilizando o conjunto de dados MedMNIST, que inclui bases espe- cializadas para classificação de imagens médicas, como RetinaMNIST (retinopatia diabética), DermaMNIST (doenças de pele) e BloodMNIST (células sanguíneas). Os resultados indicam que o método proposto identifica modelos menos intensivos computacionalmente, mantendo ou até melhorando a precisão nos três cenários de saúde analisados. Esses achados destacam a viabilidade das técnicas de compressão em aplicações médicas, especialmente em ambientes com restrições de hardware e necessidade de tomada de decisão em tempo real. Assim, este estudo abre cami- nho para novas validações e explorações em outras aplicações da área da saúde, promovendo modelos mais eficientes e acessíveis.The deployment of deep neural networks on resource-constrained devices presents significant challenges, especially in healthcare applications where machine learning, including convolutional neural networks (CNNs), plays a crucial role in medical di- agnosis and real-time clinical support. To address these challenges, techniques such as pruning and quantization are widely employed, requiring careful adjustments to ensure that the final model remains computationally efficient without significantly compromising accuracy. This project proposes a Constraint-Based Multi-Objective Evolutionary Algorithm for compressing artificial neural networks, automating the compression process and making it more robust and accessible, particularly for me- dical devices with limited resources. Experimental results using the ResNet-56, ResNet-110, VGG-16, and VGG-19 architectures on the CIFAR-10 dataset show that the proposed approach outperforms traditional pruning and quantization methods, generating higher-quality non-dominated sets. The resulting models are significantly more compact, achieving up to 95% FLOPs reduction with accuracy losses limited to a maximum of 6%. Furthermore, we evaluate the effectiveness of pruning and quantization on the ResNet50 and MobileNetV2 architectures using the MedMNIST dataset, which includes specialized subsets for medical image classification, such as RetinaMNIST (diabetic retinopathy), DermaMNIST (skin diseases), and BloodM- NIST (blood cell classification). The results indicate that the proposed method successfully identifies computationally less intensive models while maintaining or even improving accuracy across all three healthcare-related datasets. These fin- dings highlight the feasibility of compression techniques in medical applications, particularly in hardware-constrained environments that require real-time decision- making. Thus, this study paves the way for further validation and exploration in other healthcare-related applications, promoting more efficient and accessible neural network models.Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 06/08/2025 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite a adaptação.info:eu-repo/semantics/openAccessInteligência artificialRedes neurais - computaçãoOtimização matemática - otimização multiobjetivoAprendizado profundo - poda e quantizaçãoCompressão de redes neurais.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOPORIGINALDISSERTAÇÃO_CompressãoRedesNeurais.pdfDISSERTAÇÃO_CompressãoRedesNeurais.pdfapplication/pdf4200439https://www.repositorio.ufop.br/bitstreams/5b314639-eef7-413d-986f-6dceaf4717b8/download2c704ea18e380e600af3b3de8362c96bMD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-8926https://www.repositorio.ufop.br/bitstreams/adeef229-12b5-407b-9d71-1d325804c286/download6dfd919e2b1c01620b6fbdd30d00db2cMD52falseAnonymousREADTEXTDISSERTAÇÃO_CompressãoRedesNeurais.pdf.txtDISSERTAÇÃO_CompressãoRedesNeurais.pdf.txtExtracted texttext/plain103180https://www.repositorio.ufop.br/bitstreams/6b04b1a5-7b98-4d32-bbc7-635f3b2dcfbb/download0f9af86f3d803561a26ab68e7774bf5dMD53falseAnonymousREADTHUMBNAILDISSERTAÇÃO_CompressãoRedesNeurais.pdf.jpgDISSERTAÇÃO_CompressãoRedesNeurais.pdf.jpgGenerated Thumbnailimage/jpeg2552https://www.repositorio.ufop.br/bitstreams/91097178-882d-4324-90ad-6844490ee913/download5623dcadf99b475a18d3350913488ca2MD54falseAnonymousREAD123456789/208162025-08-12 13:46:23.029open.accessoai:repositorio.ufop.br:123456789/20816https://www.repositorio.ufop.brRepositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332025-08-12T16:46:23Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)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
dc.title.none.fl_str_mv Compressão de redes neurais.
title Compressão de redes neurais.
spellingShingle Compressão de redes neurais.
Ferreira, Gabriel Bicalho
Inteligência artificial
Redes neurais - computação
Otimização matemática - otimização multiobjetivo
Aprendizado profundo - poda e quantização
title_short Compressão de redes neurais.
title_full Compressão de redes neurais.
title_fullStr Compressão de redes neurais.
title_full_unstemmed Compressão de redes neurais.
title_sort Compressão de redes neurais.
author Ferreira, Gabriel Bicalho
author_facet Ferreira, Gabriel Bicalho
author_role author
dc.contributor.referee.none.fl_str_mv Silva, Rodrigo César Pedrosa
Silva, Pedro Henrique Lopes
Meneghini, Ivan Reinaldo
dc.contributor.author.fl_str_mv Ferreira, Gabriel Bicalho
dc.contributor.advisor1.fl_str_mv Silva, Rodrigo César Pedrosa
contributor_str_mv Silva, Rodrigo César Pedrosa
dc.subject.por.fl_str_mv Inteligência artificial
Redes neurais - computação
Otimização matemática - otimização multiobjetivo
Aprendizado profundo - poda e quantização
topic Inteligência artificial
Redes neurais - computação
Otimização matemática - otimização multiobjetivo
Aprendizado profundo - poda e quantização
description Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-08-12T16:46:19Z
dc.date.issued.fl_str_mv 2025
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv FERREIRA, Gabriel Bicalho. Compressão de redes neurais. 2025. 74 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.
dc.identifier.uri.fl_str_mv https://www.repositorio.ufop.br/handle/123456789/20816
identifier_str_mv FERREIRA, Gabriel Bicalho. Compressão de redes neurais. 2025. 74 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.
url https://www.repositorio.ufop.br/handle/123456789/20816
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
bitstream.url.fl_str_mv https://www.repositorio.ufop.br/bitstreams/5b314639-eef7-413d-986f-6dceaf4717b8/download
https://www.repositorio.ufop.br/bitstreams/adeef229-12b5-407b-9d71-1d325804c286/download
https://www.repositorio.ufop.br/bitstreams/6b04b1a5-7b98-4d32-bbc7-635f3b2dcfbb/download
https://www.repositorio.ufop.br/bitstreams/91097178-882d-4324-90ad-6844490ee913/download
bitstream.checksum.fl_str_mv 2c704ea18e380e600af3b3de8362c96b
6dfd919e2b1c01620b6fbdd30d00db2c
0f9af86f3d803561a26ab68e7774bf5d
5623dcadf99b475a18d3350913488ca2
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1862724422027182080

Registros relacionados