Considerando o crescente interesse no campo da interação humanocomputador e que essa iteração vem se tornando algo cada vez mais natural e social, juntamente com o aumento da capacidade computacional proporcionada por GPUs e CPUs, áreas como reconhecimento de emoções tem se mostrado ser de grande interesse e relevância pela comunidade cientifica. Porém, mesmo com diversos trabalhos realizados, detectar e reconhecer emoções computacionalmente e com a mesma facilidade que humanos reconhecem ainda é um problema relevante a ser explorado. Para tal, buscando explorar esse tema, este trabalho adotou a utilização de Redes Neurais Artificiais (RNA) Convolucionais na realização do reconhecimento das emoções em humanos a partir de expressões faciais. Os resultados demonstraram que, com o treinamento de uma RNA em GPUs, foi possível reduzir o tempo computacional em até 89% e aumentar a acurácia para 65%.

Na área da saúde, a prevenção é uma forma eficaz de evitar a progressão de doenças, muitas das quais podem ser tratadas quando diagnosticadas precocemente. A procura por exames preventivos tem aumentado e não se consegue atender essa procura com eficiência. Logo, existe a necessidade de automatizar e aumentar a eficiência de exames de triagem. Entretanto, a captura de dados para estes sistemas geralmente utiliza vários dispositivos de hardware sob condições ambientais diversas, induzindo ruído nos dados. Portanto, antes da fase de triagem, a seleção de uma estrutura de pré-processamento eficaz é fundamental. Neste artigo, é discutido o desenvolvimento de uma aplicação para pré-processamento de imagens de retinas para uso eficiente em sistemas de triagem e o impacto que o pré-processamento causa na interconexão de rede. Foi reduzido em até ≈ 73% o tempo de execução com a versão paralela. Também foi reduzido em ≈ 11,5× a largura de banda utilizada, alcançando taxa de transferência acima de 5 imagens/segundo com pré-processamento na Borda, 2,57× maior do que na Nuvem.

No abstract

A retinopatia diabética (RD) é uma doença que vem crescendo a ritmos alarmantes. A falta de mão de obra especializada para diagnóstico, essencial para o tratamento bem-sucedido da doença, traz a necessidade de estudo de alternativas para o diagnóstico via meios computacionais. Neste trabalho, avaliamos o desempenho e custo de alternativas para o deploy de modelos de Deep Learning para classificação de RD. Através da escolha da melhor arquitetura, foi possível melhorar o desempenho em até 1,71 vezes, com redução de custo de 4,17%.

A Demanda de Potência e o Consumo de Energia de grandes sistemas são preocupações na área de Computação de Alto Desempenho. Almejando atender a esse desafio nós desenvolvemos um balanceador de carga chamado EnergyLB que considera a carga computacional e a frequência dos núcleos na tomada de decisões quando aplicações iterativas são executadas. Nossa estratégia combina balanceamento de carga dinâmico com DVFS para reduzir a frequência de clock de núcleos subcarregados após a migração das tarefas.