Defesa de mestrado do discente Pablo Coelho, dia 27/01, às 14:00.

Defesa de mestrado do discente Pablo Coelho, dia 27/01, às 14:00.

Título: ZPD-Loss - Uma nova função de perda baseada no Doddington Zoo
Resumo: Os avanços em Deep Metric Learning (DML) têm impulsionado o desenvolvimento de modelos capazes de aprender representações discriminativas e medir similaridades de forma mais precisa. No entanto, funções de perda tradicionais ainda enfrentam limitações relacionadas ao overfitting e ao equilíbrio entre diferentes tipos de erro. Neste contexto, este trabalho propõe a Zoo Proxy Decidability Loss (ZPD-Loss), uma nova função de perda derivada da Decidability Loss (D-Loss) e da Proxy-Decidability Loss (PD-Loss), incorporando penalizações inspiradas nos conceitos do Doddington Zoo. A formulação proposta utiliza as taxas de falsas aceitações (False Acceptance Rate (FAR)) e falsas rejeições (False Rejection Rate (FRR)) como elementos de ponderação no cálculo da D-Loss, promovendo uma otimização mais estável e equilibrada, além de empregar a abordagem de proxies, assim como ocorre na PD-Loss. Os experimentos realizados com a arquitetura ResNet-50 em diferentes bases de dados de referência, como CUB-200-2011, CARS196 e FLW, demonstraram que a ZPD-Loss supera a D-Loss, a PD-Loss e outras funções de perda comparadas na maioria dos cenários avaliados, apresentando melhor desempenho em métricas como o Recall@K. Os resultados indicam que a abordagem proposta contribui para aprimorar a capacidade de generalização e a robustez de métodos baseados em DML, reforçando seu potencial em tarefas que dependem de representações discriminativas e comparações de similaridade.
Banca: Prof. Dr. Pedro Hernique Lopes, Prof. Dr. Eduardo Jose da Silva Luz e Profa. Dra. Roberta Barbosa Oliveira
Data: 27/01/2026
Horário: 14h