Banca de DEFESA: MARRONE SILVÉRIO MELO DANTAS

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: MARRONE SILVÉRIO MELO DANTAS
DATA : 26/02/2026
HORA: 14:00
LOCAL: Virtual
TÍTULO:

Global Average Pruning - A Pruning Filter Ranking Approach based on
Global Average Pruning

 

 

 

PALAVRAS-CHAVES:

Redes Neurais Convolucionais, Pruning Estruturado,
Compressão de Modelos, Eficiência Computacional, Inteligência Artificial.

 

PÁGINAS: 94
RESUMO:

A crescente complexidade das Redes Neurais Convolucionais (CNNs) impõe
desafios significativos para a implementação em dispositivos com recursos
limitados devido às altas exigências computacionais e de memória. Esta tese
apresenta o Global Pooling Pruning (GPP), um framework de pruning
estruturado inovador que identifica e remove filtros redundantes através da
análise de padrões de ativação espacial. A principal contribuição deste
trabalho é um mecanismo de ranking orientado a dados que transcende a
simples magnitude dos pesos, incorporando três métricas fundamentais: um
Score de Variabilidade Interclasse para preservar filtros com alto poder
discriminativo; uma Ponderação de Redundância Baseada em Correlação via
Agrupamento Aglomerativo para penalizar filtros funcionalmente similares; e
uma Alocação Adaptativa de Taxa de Pruning por Camada que distribui o
esforço de redução com base na importância da camada e na contagem de
parâmetros.
As avaliações experimentais foram realizadas em seis arquiteturas
(incluindo VGG, ResNet e DenseNet) em quatro datasets de referência:
CIFAR-10, CIFAR-100, Oxford Flowers-102 e Food-101. Os resultados
demonstram que o GPP explora eficazmente a sobreparametrização
arquitetural, particularmente na DenseNet-121 e VGG-16. No CIFAR-10, a
VGG-16 alcançou uma redução de 20,2% em FLOPs com uma queda mínima de
acurácia para uma taxa de pruning de P = 0,1. A ResNet-50 apresentou a
maior compressibilidade, atingindo até 69,8% de redução de FLOPs para P =
0,3, embora com uma penalidade de acurácia mais acentuada. A DenseNet-121
emergiu como a arquitetura mais resiliente, mantendo uma acurácia
impressionante de 82,2% enquanto reduziu os FLOPs em 48,5% no CIFAR-10.
Estes achados validam o GPP como uma ferramenta potente para a otimização
de CNNs, fornecendo uma abordagem sofisticada e agnóstica à arquitetura
para aumentar a eficiência em cenários de computação de borda.

 

MEMBROS DA BANCA:
Presidente - 1351924 - ALUIZIO FAUSTO RIBEIRO ARAUJO
Interno - 1412012 - FERNANDO MACIANO DE PAULA NETO
Externo à Instituição - FRANCISCO MADEIRO BERNARDINO JUNIOR - UNICAP
Externo à Instituição - GLAUCO ESTACIO GONÇALVES - UFPA
Interno - 1511095 - TSANG ING REN