Minicursos

MC1 - Ferramentas de programação paralela em GPUs, multi GPU e multi Nós. OpenAcc, NCCL 

Resumo: Deepstream é um SDK da NVIDIA focado na implementação de pipeline de processamento de visão computacional utilizando aceleração de GPU, maximizando o processamento na GPU, minimizando a troca de dados entre GPU e host que introduz gargalos de processamento e limita a performance e escalabilidade das aplicações. O Deepstream suporta desenvolvimento em C++, Python e através de uma ferramenta no-code, permitindo a criação rápida e padronizada de aplicações de visão computacional. Ele se integra a outros SDKs importantes da NVIDIA para treinamento otimizado de redes neurais e inferência, suportando ainda sua execução em diversos tipos de dispositivos, da borda até a nuvem. Vamos apresentar a arquiterura do Deepstream, apresentar suas principais características, apresentar os SDKs da NVIDIA que se integram a ele para implementar uma solução fim a fim otimizada para visão computacional, e demonstrar códigos de exemplo e casos de uso.

Bio: Pedro Mário Cruz e Silva é Bacharel em Matemática (1995) e Mestre em Matemática Aplicada e Otimização (1998) pela UFPE, Doutor em Computação Gráfica pela PUC-Rio (2004). Trabalhou por 15 anos no Instituto PUC-Rio onde criou o Grupo de Geofísica Computacional, durante este período liderou diversos projetos de Desenvolvimento de Software, bem como projetos de Pesquisa na área de Geofísica. Finalizou o MBA em Gestão Empresarial na FGV-Rio. Atualmente é Arquitetura de Soluções Sênior da NVIDIA para América Latina.

MC2 - Ferramentas de programação em ML -NVIDIA RAPIDS

Resumo: Rapids é um conjunto de bibliotecas Open Source que permite a execução de pipelines completos de Data Science e Analytics totalmente em GPUs, usando Python. Ele permite que seu código escale de uma máquina de desenvolvimento para servidores ou clusters com múltiplas GPUS. Entre as diversas bibliotecas disponíveis, existem bibliotecas compatíveis com Pandas, Scikit-learn e NumPy/SciPy. Vamos apresentar a arquitetura do Rapids, suas principais bibliotecas e demonstrar como instalar através de containers em qualquer ambiente, e apresentar código otimizado com ele, comparando com a implementação padrão usando PyData. Rapids é um projeto Open Source mantido pela NVIDIA.

Bio: Jomar Silva é Engenheiro Eletrônico especializado em Open Source, Padrões Abertos e Inteligência Artificial. Trabalha com comunidades de tecnologia desde 2002, e contribuiu com diversos projetos e tecnologias abertas, como ODF (OpenDocument Format) e Apache Open Office, entre outros. Contribuiu para a disseminação de diversas tecnologias abertas no Brasil, em áreas como HTML5, IoT, Visão Computacional e Inteligência Artificial. É atualmente Gerente de Relacionamento com Desenvolvedores para a América Latina na NVIDIA.

MC3 - Técnicas de Deep learning para análise de imagens. NVIDIA Deepstream

Resumo: Deepstream é um SDK da NVIDIA focado na implementação de pipeline de processamento de visão computacional utilizando aceleração de GPU, maximizando o processamento na GPU, minimizando a troca de dados entre GPU e host que introduz gargalos de processamento e limita a performance e escalabilidade das aplicações. O Deepstream suporta desenvolvimento em C++, Python e através de uma ferramenta no-code, permitindo a criação rápida e padronizada de aplicações de visão computacional. Ele se integra a outros SDKs importantes da NVIDIA para treinamento otimizado de redes neurais e inferência, suportando ainda sua execução em diversos tipos de dispositivos, da borda até a nuvem. Vamos apresentar a arquiterura do Deepstream, apresentar suas principais características, apresentar os SDKs da NVIDIA que se integram a ele para implementar uma solução fim a fim otimizada para visão computacional, e demonstrar códigos de exemplo e casos de uso.

Bio: Jomar Silva é Engenheiro Eletrônico especializado em Open Source, Padrões Abertos e Inteligência Artificial. Trabalha com comunidades de tecnologia desde 2002, e contribuiu com diversos projetos e tecnologias abertas, como ODF (OpenDocument Format) e Apache Open Office, entre outros. Contribuiu para a disseminação de diversas tecnologias abertas no Brasil, em áreas como HTML5, IoT, Visão Computacional e Inteligência Artificial. É atualmente Gerente de Relacionamento com Desenvolvedores para a América Latina na NVIDIA.

MC4 - Técnicas de aprendizagem de máquina aplicadas à detecção de mudanças em imagens SAR

Resumo: Nos últimos anos, houve um expressivo aumento no número de satélites em órbita portando sensores SAR (Synthetic Aperture Radar). Especialmente para observação da Terra em regiões com predominante cobertura de nuvens ao longo do ano, as imagens provenientes destes sensores proporcionam maior frequência de observação, dada a capacidade dos sensores que operam na região das microondas de realizar imageamento, mesmo nessas condições. Outra particularidade desse tipo de imagem é conter informação tridimensional sobre os alvos. Não obstante seus potenciais, a análise e extração de informações de imagens SAR apresenta-se ainda como um desafio operacional. A literatura científica apresenta que diferentes técnicas de aprendizagem de máquina têm sido aplicadas para esse objetivo, apresentando bons resultados. O objetivo deste minicurso é introduzir a detecção de mudanças em imagens SAR usando tais técnicas, a partir da apresentação de um estudo de caso.

Bio: Tahisa Kuck é doutora em geociência pela UnB, mestre em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais - INPE. Bacharel em Arquitetura e Urbanismo. Atualmente, desempenha a função de Analista em Ciência e Tecnologia no Instituto de Estudos Avançados do Departamento de Ciência e Tecnologia Aeroespacial da Força Aérea brasileira. Membro do grupo de pesquisa RSATE (Remote Sensing Applied to Tropical Environments). Atua com pesquisas na área de sensoriamento remoto de microondas (SAR) e aprendizagem de máquina para o estudo de florestas tropicais. No IEAv, é parte da equipe do projeto PITER-N, cuja pesquisa concentra-se na autonomia de voos noturnos de drones baseada em visão computacional.