Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: SILVA, Miguel Luiz Pessoa da Cruz
Orientador(a): REN, Tsang Ing
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
Programa de Pós-Graduação: Programa de Pos Graduacao em Ciencia da Computacao
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Redes Neurais Dinâmicas
Detecção de Objetos
Saídas Antecipadas
Link de acesso: https://repositorio.ufpe.br/handle/123456789/66225
Resumo: Redes Neurais Dinâmicas são modelos de aprendizado profundo que ajustam sua com- plexidade computacional durante a inferência, adaptando o uso de recursos de acordo com a dificuldade da entrada. Dentre essas abordagens, a técnica de saídas antecipadas (early exit) se destaca por permitir que o modelo interrompa a inferência antecipadamente em amostras mais simples, reduzindo o tempo de processamento e o consumo de recursos, sem comprome- ter significativamente a precisão. No entanto, sua aplicação em tarefas de detecção de objetos ainda é pouco explorada, especialmente devido à complexidade de lidar com múltiplos objetos e diferentes níveis de confiança em uma mesma imagem. Este trabalho propõe uma nova abordagem ao adaptar a arquitetura Single Shot MultiBox Detector (SSD) com ramificações de saída antecipada, permitindo que amostras simples sejam processadas de forma mais eficiente enquanto entradas mais complexas recebem uma análise completa. Para isso, introduz-se um modelo auxiliar para predição do nível de dificuldade, baseado em uma metodologia de classificação de complexidade de amostras de uma base de dados de detecção. Embora a Precisão Média (mAP) obtida pela abordagem proposta permaneça comparável ao modelo single-exit, os resultados experimentais demonstram uma redução significativa no tempo de inferência e no uso de recursos computacionais para o subconjunto de imagens mais simples, evidenciando a eficiência da estratégia para aplicações em tempo real, especialmente em cenários com restrições computacionais.
id UFPE_d77b81a07a12346bcbf4d99d9d4d940c
oai_identifier_str oai:repositorio.ufpe.br:123456789/66225
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling SILVA, Miguel Luiz Pessoa da Cruzhttp://lattes.cnpq.br/5949137116470696http://lattes.cnpq.br/3084134533707587REN, Tsang Ing2025-09-25T13:44:28Z2025-09-25T13:44:28Z2025-02-19SILVA, Miguel Luiz Pessoa da Cruz. Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem. 2025. Dissertação (Mestrado em Ciências da Computação) – Universidade Federal de Pernambuco, Recife, 2025.https://repositorio.ufpe.br/handle/123456789/66225Redes Neurais Dinâmicas são modelos de aprendizado profundo que ajustam sua com- plexidade computacional durante a inferência, adaptando o uso de recursos de acordo com a dificuldade da entrada. Dentre essas abordagens, a técnica de saídas antecipadas (early exit) se destaca por permitir que o modelo interrompa a inferência antecipadamente em amostras mais simples, reduzindo o tempo de processamento e o consumo de recursos, sem comprome- ter significativamente a precisão. No entanto, sua aplicação em tarefas de detecção de objetos ainda é pouco explorada, especialmente devido à complexidade de lidar com múltiplos objetos e diferentes níveis de confiança em uma mesma imagem. Este trabalho propõe uma nova abordagem ao adaptar a arquitetura Single Shot MultiBox Detector (SSD) com ramificações de saída antecipada, permitindo que amostras simples sejam processadas de forma mais eficiente enquanto entradas mais complexas recebem uma análise completa. Para isso, introduz-se um modelo auxiliar para predição do nível de dificuldade, baseado em uma metodologia de classificação de complexidade de amostras de uma base de dados de detecção. Embora a Precisão Média (mAP) obtida pela abordagem proposta permaneça comparável ao modelo single-exit, os resultados experimentais demonstram uma redução significativa no tempo de inferência e no uso de recursos computacionais para o subconjunto de imagens mais simples, evidenciando a eficiência da estratégia para aplicações em tempo real, especialmente em cenários com restrições computacionais.Dynamic Neural Networks are deep learning models that adjust their computational com- plexity during inference, adapting resource usage according to the input difficulty. Among these approaches, the early exit technique stands out, as it allows the model to prematurely interrupt inference on simpler samples, thus reducing processing time and resource consumption without significantly compromising accuracy. However, its application in object detection tasks remains underexplored, especially due to the complexity associated with handling multiple objects and varying confidence levels within a single image. This work proposes a novel approach by adapting the Single Shot MultiBox Detector (SSD) architecture with early exit branches, allowing simpler samples to be processed more efficiently while ensuring a comprehensive analysis for more complex inputs. To this end, we introduce an auxiliary model for predicting the difficulty level, based on a methodology for classifying sample complexity within an object detection dataset. Although the Mean Average Precision (mAP) obtained by the proposed approach remains comparable to the single-exit model, experimental results demonstrate a significant reduction in inference time and compu- tational resource usage for the simpler subset of images. This underscores the efficiency of the strategy for real-time applications, particularly in computationally constrained scenarios.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilhttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessRedes Neurais DinâmicasDetecção de ObjetosSaídas AntecipadasDetecção de objetos com saídas antecipadas baseadas em complexidade da imageminfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALDISSERTAÇÃO Miguel Luiz Pessoa da Cruz Silva.pdfDISSERTAÇÃO Miguel Luiz Pessoa da Cruz Silva.pdfapplication/pdf6751652https://repositorio.ufpe.br/bitstream/123456789/66225/1/DISSERTA%c3%87%c3%83O%20Miguel%20Luiz%20Pessoa%20da%20Cruz%20Silva.pdfd1ec70c96e8a89a614aad2e8ede53e68MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/66225/2/license.txt5e89a1613ddc8510c6576f4b23a78973MD52TEXTDISSERTAÇÃO Miguel Luiz Pessoa da Cruz Silva.pdf.txtDISSERTAÇÃO Miguel Luiz Pessoa da Cruz Silva.pdf.txtExtracted texttext/plain238930https://repositorio.ufpe.br/bitstream/123456789/66225/3/DISSERTA%c3%87%c3%83O%20Miguel%20Luiz%20Pessoa%20da%20Cruz%20Silva.pdf.txt3b7fef13b0695f23d80a1d1f57592788MD53THUMBNAILDISSERTAÇÃO Miguel Luiz Pessoa da Cruz Silva.pdf.jpgDISSERTAÇÃO Miguel Luiz Pessoa da Cruz Silva.pdf.jpgGenerated Thumbnailimage/jpeg1189https://repositorio.ufpe.br/bitstream/123456789/66225/4/DISSERTA%c3%87%c3%83O%20Miguel%20Luiz%20Pessoa%20da%20Cruz%20Silva.pdf.jpg6c133a169750955d05bf8e899cdfaea7MD54123456789/662252025-09-28 15:18:15.915oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212025-09-28T18:18:15Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.pt_BR.fl_str_mv Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem
title Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem
spellingShingle Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem
SILVA, Miguel Luiz Pessoa da Cruz
Redes Neurais Dinâmicas
Detecção de Objetos
Saídas Antecipadas
title_short Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem
title_full Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem
title_fullStr Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem
title_full_unstemmed Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem
title_sort Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem
author SILVA, Miguel Luiz Pessoa da Cruz
author_facet SILVA, Miguel Luiz Pessoa da Cruz
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/5949137116470696
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/3084134533707587
dc.contributor.author.fl_str_mv SILVA, Miguel Luiz Pessoa da Cruz
dc.contributor.advisor1.fl_str_mv REN, Tsang Ing
contributor_str_mv REN, Tsang Ing
dc.subject.por.fl_str_mv Redes Neurais Dinâmicas
Detecção de Objetos
Saídas Antecipadas
topic Redes Neurais Dinâmicas
Detecção de Objetos
Saídas Antecipadas
description Redes Neurais Dinâmicas são modelos de aprendizado profundo que ajustam sua com- plexidade computacional durante a inferência, adaptando o uso de recursos de acordo com a dificuldade da entrada. Dentre essas abordagens, a técnica de saídas antecipadas (early exit) se destaca por permitir que o modelo interrompa a inferência antecipadamente em amostras mais simples, reduzindo o tempo de processamento e o consumo de recursos, sem comprome- ter significativamente a precisão. No entanto, sua aplicação em tarefas de detecção de objetos ainda é pouco explorada, especialmente devido à complexidade de lidar com múltiplos objetos e diferentes níveis de confiança em uma mesma imagem. Este trabalho propõe uma nova abordagem ao adaptar a arquitetura Single Shot MultiBox Detector (SSD) com ramificações de saída antecipada, permitindo que amostras simples sejam processadas de forma mais eficiente enquanto entradas mais complexas recebem uma análise completa. Para isso, introduz-se um modelo auxiliar para predição do nível de dificuldade, baseado em uma metodologia de classificação de complexidade de amostras de uma base de dados de detecção. Embora a Precisão Média (mAP) obtida pela abordagem proposta permaneça comparável ao modelo single-exit, os resultados experimentais demonstram uma redução significativa no tempo de inferência e no uso de recursos computacionais para o subconjunto de imagens mais simples, evidenciando a eficiência da estratégia para aplicações em tempo real, especialmente em cenários com restrições computacionais.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-09-25T13:44:28Z
dc.date.available.fl_str_mv 2025-09-25T13:44:28Z
dc.date.issued.fl_str_mv 2025-02-19
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 SILVA, Miguel Luiz Pessoa da Cruz. Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem. 2025. Dissertação (Mestrado em Ciências da Computação) – Universidade Federal de Pernambuco, Recife, 2025.
dc.identifier.uri.fl_str_mv https://repositorio.ufpe.br/handle/123456789/66225
identifier_str_mv SILVA, Miguel Luiz Pessoa da Cruz. Detecção de objetos com saídas antecipadas baseadas em complexidade da imagem. 2025. Dissertação (Mestrado em Ciências da Computação) – Universidade Federal de Pernambuco, Recife, 2025.
url https://repositorio.ufpe.br/handle/123456789/66225
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.publisher.program.fl_str_mv Programa de Pos Graduacao em Ciencia da Computacao
dc.publisher.initials.fl_str_mv UFPE
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
bitstream.url.fl_str_mv https://repositorio.ufpe.br/bitstream/123456789/66225/1/DISSERTA%c3%87%c3%83O%20Miguel%20Luiz%20Pessoa%20da%20Cruz%20Silva.pdf
https://repositorio.ufpe.br/bitstream/123456789/66225/2/license.txt
https://repositorio.ufpe.br/bitstream/123456789/66225/3/DISSERTA%c3%87%c3%83O%20Miguel%20Luiz%20Pessoa%20da%20Cruz%20Silva.pdf.txt
https://repositorio.ufpe.br/bitstream/123456789/66225/4/DISSERTA%c3%87%c3%83O%20Miguel%20Luiz%20Pessoa%20da%20Cruz%20Silva.pdf.jpg
bitstream.checksum.fl_str_mv d1ec70c96e8a89a614aad2e8ede53e68
5e89a1613ddc8510c6576f4b23a78973
3b7fef13b0695f23d80a1d1f57592788
6c133a169750955d05bf8e899cdfaea7
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1862741627917828096

Registros relacionados