Banca de QUALIFICAÇÃO: DAVI SAMUEL DE FRANÇA BRAGA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : DAVI SAMUEL DE FRANÇA BRAGA
DATA : 25/09/2026
HORA: 10:00
LOCAL: Remoto
TÍTULO:

Poda Sensível a Texturas para Categorização Visual de Grão-Fino

PALAVRAS-CHAVES:

Categorização Visual de Grão-Fino, Poda de Redes Neurais, Inteligência Artificial de Borda, Fusão Aditiva, Visão Computacional.

PÁGINAS: 60
RESUMO:

A Categorização Visual de Grão-Fino (FGVC) é uma subárea da Visão Computacional
focada na distinção de classes subordinadas com alta similaridade morfológica, como espécies
específicas de animais, plantas ou modelos de veículos. Diferente da classificação
genérica de imagens, o sucesso nesse domínio exige a extração minuciosa de microdetalhes
locais e texturas sutis para contornar a baixa variância inter-classe. Embora Redes Neurais
Convolucionais profundas apresentem alto desempenho nessa tarefa, o seu massivo
custo computacional e redundância paramétrica inviabilizam a implantação direta em dispositivos
de recursos restritos. No contexto de compressão de modelos via Poda de Redes
(Network Pruning), a aplicação de critérios tradicionais baseados puramente na magnitude
estrutural, como a norma L1, resulta frequentemente no fenômeno de Esquecimento
de Grão-Fino. Esse problema é caracterizado pelo descarte cego de filtros essenciais para
a captação de texturas locais cruciais, culminando no colapso representacional da rede.
Para mitigar essa falha, este trabalho propõe uma métrica de poda sensível a texturas,
capaz de ranquear filtros convolucionais a partir dos seus padrões espaciais de ativação.
A metodologia estabelece uma função de pontuação híbrida que integra a magnitude
estrutural à relevância textural, quantificada pela variância espacial dos mapas latentes
por meio do desvio padrão. A fim de evitar o destrutivo efeito de veto, cenário em que
um baixo valor de ativação anularia completamente um peso de alta relevância topológica,
desenvolveu-se uma métrica de Fusão Linear Aditiva. Adicionalmente, para mitigar
o choque cirúrgico da remoção de pesos, a abordagem é orquestrada tanto em passo único
(One-Shot) quanto em uma transição cadenciada dividida em duas etapas (Two-Steps).
Os resultados empíricos demonstram que a união da métrica híbrida com o corte suavizado
estabiliza blocos residuais e impede o colapso da acurácia mesmo em regimes severos

de esparsidade, alcançando uma redução paramétrica de até oitenta por cento. A solução

viabiliza a geração de modelos ultraeficientes com baixo custo computacional, plenamente

adequados para implantação em dispositivos de Inteligência Artificial de Borda (Edge AI).

MEMBROS DA BANCA:
Interna - 1350250 - ANNE MAGALY DE PAULA CANUTO
Interno - 2177445 - BRUNO MOTTA DE CARVALHO
Interno - 1702873 - MATHEUS DA SILVA MENEZES