Análise do comportamento dinâmico de sistemas complexos e redes neurais artificiais em tarefas de visão computacional e inteligência artificial

• Ano de defesa: 2025
• Autor(a) principal: Zielinski, Kallil Miguel Caparroz
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de texturas; Autômatos celulares; Cellular automata; Complex networks; Computer vision; Neural networks; Redes complexas; Redes neurais; Texture analysis; Visão computacional
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-26012026-110752/

Esta tese investiga e desenvolve métodos computacionais para reconhecimento de padrões, com foco em duas áreas centrais: a análise de texturas visuais e a classificação de redes complexas. O trabalho parte da premissa de que a sinergia entre a modelagem de sistemas complexos (Redes Complexas e Autômatos de Rede) e paradigmas de aprendizado de máquina eficientes, como as Redes Neurais Artificiais, oferece um caminho promissor para superar as limitações das abordagens tradicionais e de aprendizado profundo. Essa pesquisa aborda essas lacunas de ambas as frentes. No campo da análise de texturas, modelos como Redes Neurais Convolucionais (CNNs) e Vision Transformers (ViTs), especialmente quando pré-treinados em bases de dados massivas como a ImageNet, alcançaram desempenho de estado da arte. Contudo, essas técnicas geralmente demandam grandes volumes de dados e um custoso processo de ajuste fino (fine-tuning) para cada nova tarefa. Na classificação de redes, a análise tradicional baseada em métricas topológicas globais muitas vezes se mostra insuficiente para redes grandes e complexas. O método Life-Like Network Automata (LLNA) surgiu como uma alternativa promissora, utilizando a dinâmica de autômatos para gerar assinaturas de rede, embora sua representação original, baseada em Padrões de Evolução Temporal (TEPs) binários, pudesse descartar informações dinâmicas valiosas. Para suprir essas lacunas, a tese propõe um conjunto de novas metodologias: RADAM, para análise de texturas, que extrai mapas de ativação de CNNs em múltiplas profundidades sem necessidade de fine-tuning, e que deu origem também ao VORTEX, uma arquitetura similar, mas aplicada ao domínio dos ViTs. Para a classificação de redes, foi desenvolvido o LLNA-DTEP, que utiliza padrões de densidade contínuos para substituir os tradicionais TEPs, e também o LLNA-REND, que utiliza os mesmos padrões de densidade do LLNADTEP e faz uma codificação aleatória dos padrões obtidos, melhorando a separabilidade em cenários não-lineares. Os métodos propostos alcançaram resultados de estado da arte em ambos os domínios de classificação de redes e análise de texturas. As contribuições dessa tese vão além de avanços teóricos, mas também oferecem métodos práticos e escaláveis, com aplicabilidade validada em desafios do mundo real, como o combate ao comércio ilegal da madeira, além de abrir uma vasta gama de possibilidades para futuras pesquisas em ambas as frentes.