Enchentes Urbanas, processamento de imagens e aprendizado profundo.

• Processo: 24/23110-0
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 31 de julho de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Jó Ueyama
• Beneficiário: Otávio Ferracioli Coletti
• Supervisor: Raja Jurdak
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Queensland University Of Technology, Austrália
• Vinculado à bolsa: 24/07514-4 - Um modelo de monitoramento e predição de enchentes com câmeras e sensor ultrassônico, BP.IC
• Assunto(s): Aprendizado computacional Internet das coisas Protocolos de comunicação Sistemas embarcados Visão computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Internet of Things | Protocolos de Comunicação | Sistemas Embarcados | Tiny Machine Learning | Visão Computacional | Internet das Coisas e Inteligência Artificial

Resumo

Nos últimos anos, o custo computacional do treinamento e da implantação de modelos de inteligência artificial aumentou significativamente, tornando esses modelos impraticáveis para uso em plataformas de baixo custo, como dispositivos móveis e sistemas em sistemas embutidos. Esse desafio fez com que os pesquisadores explorassem maneiras de otimizar os modelos, reduzindo o consumo de energia e as demandas computacionais. Como resultado, surgiram várias soluções, como MobileNets, uma rede neural convolucional (CNN) com custo computacional reduzido, e plataformas como o TensorFlow Lite, projetadas para facilitar o desenvolvimento de redes neurais menos complexas e custosas. No contexto de nossa pesquisa, que se concentra no monitoramento de rios urbanos e na detecção e previsão de enchentes, estamos trabalhando com hardware de baixo custo e redes de comunicação de banda estreita. Devido a essas restrições, propomos um estudo sobre sobre os últimos avanços no aprendizado de máquina minúsculo (TinyML), um campo focado na criação de modelos otimizados de aprendizado de máquina para dispositivos de borda de baixo consumo de energia. Dadas essas limitação, este estudo se propo¿ a estudar modelos de aprendizado de máquina otimizados para dispositivos de borda de baixo consumo de energia, para aprimorar nosso sistema com métodos adaptados a ambientes com recursos limitados. Ao implementar técnicas leves de classificação de imagens, podemos processar dados na borda diretamente no local do rio, reduzindo significativamente o tráfego da rede e melhorando a eficiência do nosso sistema de monitoramento de inundações. (AU)