Banca de DEFESA: Kelly Rodrigues de Abreu

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Kelly Rodrigues de Abreu
DATA : 16/03/2026
HORA: 14:30
LOCAL: Sala Multiuso CIC (Ciência da Computacão), prédio CIC/EST, Campus Darcy Ribeiro, UnB
TÍTULO:

Estratégias para aprendizado de máquina com poucas amostras na classificação de imagens de insetos

 

PALAVRAS-CHAVES:

Aprendizado com Poucos Exemplos. Detecção de Objetos. YOLO. Monitoramento de Pragas Agrícolas.

PÁGINAS: 95
RESUMO:

A identificação precisa e oportuna de insetos-praga em seus diferentes estágios de maturidade é crucial para a Agricultura de Precisão, mas a escassez de dados rotulados dificulta
o treinamento de modelos de aprendizado profundo. Esta dissertação aborda o desafio
da classificação da maturidade de insetos-praga em cenários de aprendizado com poucos
exemplos (Few-Shot Learning - FSL), propondo e avaliando estratégias de amostragem de
dados para os detectores de objetos YOLOv5 e YOLOv8. O estudo utilizou o dataset IP-FSL e
desenvolveu duas estratégias principais de amostragem: uma baseada na nitidez da imagem
e outra nas características do plano de fundo, visando selecionar amostras mais informativas
ou diversas. Adicionalmente, foram implementadas otimizações no processo de treinamento
dos modelos YOLO, como a estimativa automatizada do tamanho da imagem de entrada
e o ajuste fino dos parâmetros de aprendizado por transferência. A fim de compreender
o impacto das estratégias propostas, os modelos YOLOv5 e YOLOv8 foram avaliados inicialmente em sua forma base, sem técnicas específicas de amostragem, e posteriormente
com a aplicação das estratégias desenvolvidas neste estudo. Essa abordagem permitiu isolar o efeito das estratégias de seleção e balanceamento de dados sobre o desempenho dos
detectores. Por fim, os resultados obtidos com os modelos YOLO — tanto em sua forma
otimizada quanto base — foram comparados com uma abordagem de referência baseada em
Redes Prototípicas, tradicionalmente utilizada em cenários de Few-Shot Learning. A análise
indicou que, quando combinados com estratégias de amostragem inteligentes, os detectores
YOLO podem superar métodos clássicos de classificação FSL na tarefa de identificação do
estágio de maturidade de insetos-praga. Esses achados reforçam o potencial da integração
entre detectores de objetos de última geração e estratégias adaptadas a contextos de dados
escassos, contribuindo significativamente para o avanço de soluções eficazes e acessíveis na
Agricultura de Precisão.

 

MEMBROS DA BANCA:
Presidente - 1122092 - DIBIO LEANDRO BORGES
Interno - 405040 - JOSE MAURICIO SANTOS TORRES DA MOTTA
Externa à Instituição - LURDINEIDE DE ARAÚJO BARBOSA BORGES - MAPA
Interno - 1961131 - SANDERSON CESAR MACEDO BARBALHO