Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 22372
| Instituição | Universidade Federal de Viçosa |
|---|---|
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Econômicas: ODS9 |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Bolsa | FAPEMIG |
| Conclusão de bolsa | Não |
| Apoio financeiro | FAPEMIG |
| Primeiro autor | Victor Gonçalves Vieira |
| Orientador | LARISSA FERREIRA RODRIGUES MOREIRA |
| Outros membros | MICHEL MELO DA SILVA, RODRIGO MOREIRA, THIAGO LUANGE GOMES |
| Título | Adaptação de um Modelo de Segmentação Semântica para Aprendizado Federado Utilizando Dados Sintéticos de VANTs |
| Resumo | O treinamento de modelos de Inteligência Artificial (IA) para frotas de Veículos Aéreos Não Tripulados (VANTs) é desafiado pela natureza descentralizada dos dados. O Aprendizado Federado (AF) surge como uma solução para treinar modelos de forma colaborativa, preservando a privacidade dos dados e otimizando a comunicação. Porém, um desafio central do AF é a distribuição de dados Não-Identicamente e Independentemente Distribuídos (Não-IID), onde cada VANT, operando em um ambiente distinto, possui dados heterogêneos que podem prejudicar o treinamento. Este trabalho avalia a adaptação de um modelo de segmentação semântica para um cenário de AF com dados sintéticos Não-IID, simulando uma aplicação realística. A metodologia consistiu em adaptar a arquitetura de segmentação HighResolutionNet (HRNet) para um ambiente de AF implementado com o framework Flower, composto por um servidor e quatro clientes. Foi usado um dataset sintético com 10.451 imagens de treinamento, distribuídas de forma heterogênea entre os clientes para simular a condição Não-IID. O treinamento foi conduzido por três rounds de comunicação entre servidor e cliente, com cada cliente treinando localmente por 70 épocas. Para otimizar o aprendizado e a precisão das bordas dos objetos, foi empregada uma função de perda composta, que integra as métricas Dice Loss, Cross-Entropy e Boundary Loss. A avaliação inicial do modelo global, realizada em um conjunto de 3.512 imagens de validação, demonstrou uma viabilidade parcial da abordagem. O modelo obteve bom desempenho na identificação da classe "Ground" (79% de acurácia) e desempenho ideal na classe "Out", indicando que o aprendizado de características relevantes está ocorrendo. No entanto, apresentou dificuldades significativas com classes de maior complexidade e variabilidade, como "Building" (12% de acurácia) e "Vegetation" (51%), que foram frequentemente confundidas com a classe "Ground". Este resultado nos mostra que, mesmo que a estrutura federada funcione, a heterogeneidade dos dados impactou a capacidade de generalização do modelo, que ainda não atingiu o nível convergência ideal. Portanto, conclui-se que a adaptação do modelo para AF é uma abordagem promissora, mas que requer otimizações para superar os desafios impostos pelos dados Não-IID. Trabalhos futuros focarão no ajuste fino de hiperparâmetros, na extensão do número de rounds de treinamento e na investigação de estratégias de agregação mais robustas para melhorar a convergência e o desempenho geral do modelo em todas as classes. |
| Palavras-chave | Aprendizado Federado, Segmentação Semântica, Dados Sintéticos |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Painel |
|---|