27 de agosto - Encontro sobre IA, ML e visão computacional

Description

Junte-se ao nosso encontro virtual para ouvir as palestras de especialistas sobre as questões mais modernas relacionadas à IA, ML e visão computacional. Data, hora e localização 27 de agosto de 2026, 9:00 - 11:00 PST Online. **[Inscreva-se no Zoom!](https://voxel51.com/events/ai-ml-and-computer-vision-meetup-august-27-2026)** **Proteção robusta de conceitos contra edição de imagens e personalização baseada em difusão** Modelos de edição e personalização de imagens baseados em difusão facilitam significativamente a manipulação e replicação de conceitos visuais a partir de apenas algumas imagens de referência. No entanto, os métodos de proteção existentes muitas vezes são adaptados a um único modelo de ataque e não conseguem se generalizar para processos de edição diversos. Nesta apresentação, discutirei os últimos avanços em proteção de conceitos para sistemas generativos de IA, concentrando-me em estratégias de perturbação intencional e representações de difusão sensíveis ao estilo. Também apresentarei resultados experimentais em vários cenários de edição e adaptação, enfatizando os desafios relacionados à robustez, transferibilidade e invisibilidade em configurações práticas de proteção. Por fim, abordarei questões em aberto e futuras direções em direção à propriedade confiável de conteúdo gerativo. *Sobre o palestrante* [Qiuyu Tang](https://www.linkedin.com/in/qiuyutang/) é doutoranda em ciência da computação e engenharia na Universidade de Lehigh. Sua pesquisa concentra-se em IA confiável, forense de mídias e métodos robustos de proteção contra edição de imagens e sistemas de personalização baseados em difusão. Seu trabalho mais recente investiga proteção de conceitos, garantia de estilo, manipulação semântica de imagens e robustez de IA generativa. Ela contribuiu para várias publicações em visão computacional e segurança de IA, incluindo pesquisas sobre proteção de modelos de difusão e detecção de manipulação, e tem sido organizadora de workshops em conferências. **Do pixel ao planeta: Construindo IA escalável e baseada em evidências para a ciência** A IA demonstrou muitas novas possibilidades, desde a redação de e-mails até a edição e geração de imagens. A eficácia dos modelos de IA baseia-se principalmente em um processo padrão de aprendizado de máquina, onde dados são inseridos em modelos para obter representações e previsões, e o desempenho é avaliado usando benchmarks e métricas controladas. No entanto, uma discrepância surge quando tentamos transferir esse processo para a interação com a realidade e utilizar IA para descobertas científicas. Além das decisões em um conjunto fechado, os cientistas desejam explorar novas categorias e propor novas hipóteses. Nesta apresentação, compartilharei como estou abordando os desafios da IA para a ciência a partir da perspectiva de métodos baseados em dados e abordagens de interpretação. *Sobre o palestrante* [Jianyang Gu](https://www.linkedin.com/in/jianyang-gu-9235151b9/) é pesquisador de doutorado na Universidade Estadual de Ohio. Sua pesquisa concentra-se na utilização de métodos baseados em dados para construir modelos fundamentais escaláveis e interpretáveis para a ciência. **Fora do curral: Detecção não invasiva de acidose em gado leiteiro usando inteligência multimodal de emissão de gases** A acidose do rúmen custa silenciosamente ao setor global de laticínios bilhões anualmente e ameaça o bem-estar dos animais, no entanto, os métodos existentes de detecção ainda são invasivos, demorados e impraticáveis em larga escala. Nosso laboratório desenvolveu um método totalmente novo: registrar e analisar padrões de emissão de gases CO₂ e CH₄ por meio de imagem RGB-térmica sincronizada, transformando cada respiração em um sinal diagnóstico. Desenvolvemos o DualGasNet, uma arquitetura de aprendizado profundo de fluxo duplo com fusão de atenção, que detecta acidose de maneira não invasiva e em tempo real, alcançando precisão de ponta em um conjunto de dados de emissões de gases desenvolvido do zero para gado. Buscando uma IA explicável e pronta para o campo, integramos modelos de visão e linguagem - CLIP e LLaVA-1.5 - permitindo raciocínio diagnóstico zero-shot que conecta a diferença entre previsões de aprendizado profundo e percepções veterinárias em ação. Esta apresentação conduzirá todo o processo desde a criação de um conjunto de dados personalizado até a fusão multimodal e interpretação assistida por VLM, oferecendo ao público um caso intrigante de uso da visão computacional para resolver problemas de alto impacto no mundo real, além dos benchmarks tradicionais. *Sobre o palestrante* [Taminul Islam](https://www.linkedin.com/in/taminul-islam/) é doutorando e candidato a doutorado na Universidade Estadual do Sul de Illinois em Carbondale, com mais de 40 publicações, mais de 740 citações e um índice h de 16 - com publicações na CVPR 2026, WACV 2026 (oral), ICCV 2025 e Nature Scientific Reports, incluindo uma publicação altamente citada para 2024-25. **Construindo sistemas de visão computacional no mundo real com Voxel51** Esta apresentação explorará fluxos de trabalho práticos relacionados à construção, avaliação e aprimoramento de modernos sistemas de visão computacional. Abordaremos abordagens do mundo real para curadoria de conjuntos de dados, análise de modelos, fluxos de trabalho multimodais de IA e pipelines de visão prontos para produção usando tecnologia de código aberto. A sessão é projetada para engenheiros, pesquisadores e profissionais de IA que desejam entender melhor como as equipes desenvolvem e escalam aplicativos de visão computacional hoje. Espere demonstrações práticas, percepções técnicas e discussões sobre o ecossistema em evolução de ferramentas de IA. *Sobre o palestrante* [Daniel Gural](https://www.linkedin.com/in/daniel-gural/) é um especialista em IA Física e tem trabalhado nesta área por mais de 8 anos. Trabalhando no campo da saúde, possui experiência em aplicações operacionais e no uso de IA Visual como suporte em aplicações psicológicas.