Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Areolino de Almeida Neto has a total of 39 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • A Unified Framework for Benchmarking Machine Learning Methods in Genetic Circuit Design

    by José Victor Brito, Jêfferson Maxwell Ataide de Almeida, Guilherme Alberto Sousa Ribeiro, Matheus Menezes, Lewis John Grozinger, Areolino de Almeida Neto, Alexandre César Muniz de Oliveira, Ángel Goñi-Moreno

  • Topology Optimization in Neural Networks for Deep Reinforcement Learning

    by Ataniel Silva Santos Segundo, Almir Souza e Silva Neto, Francisco dos Santos Viana, Areolino de Almeida Neto, Clisman Alvino Lopes

  • Training activation functions for layer insertion: a polynomial regression approach

    by Carlos Eduardo Nascimento Cajado, Francisco dos Santos Viana, Carlos Manuel Milheiro de Oliveira Pinto Soares, Areolino De Almeida Neto

    Artificial neural networks (ANNs) are widely applied to complex problems; however, the selection of an ideal activation function (AF) remains a challenge, particularly due to the lack of consistent criteria for relating data characteristics to the most suitable function. Recent advances highlight the potential of trainable AFs that dynamically adjust during training to enhance network performance. Additionally, that adjustment can be used for the insertion of a new layer. This work presents a novel approach that utilizes polynomial regression as the foundation for developing a layer insertion method based on trainable AFs. The proposal aims to go beyond conventional weight adjustment by allowing activation functions to evolve in an optimized manner across different contexts, thereby expanding the learning capabilities and performance of deep neural networks. The proposed approach presents a novel method for layer insertion, which can integrate a new layer in a collaborative way, which means that the new layer does not degrade the knowledge already acquired by the previous layers and besides can improve the effectiveness and the impacts of network adaptability and performance, when compared to fixed AFs as additional hidden layers are introduced.

  • A New Proposal of Layer Insertion in Stacked Autoencoder Neural Networks

    by Francisco dos Santos Viana, Lopes Pereira, Bianca Valéria, Moisés Santos, Carlos Soares, Areolino de Almeida Neto


  • Open Access

    Classificação de sílabas fonéticas via centroides e inserção colaborativa de camadas em redes stacked autoencoders

    by Francisco dos Santos Viana, Bianca Valéria Lopes Pereira, Samuel Magalhães Pereira, Alexandre Cesar Muniz de Oliveira, Areolino de Almeida Neto

    Este trabalho apresenta uma nova metodologia de inserção colaborativa de camadas em redes neurais do tipo stacked autoencoder. Nessa abordagem, após o treinamento de uma camada existente, uma nova camada é incorporada por meio de um ramo paralelo às camadas oculta e de saída já treinadas. Esse ramo é posteriormente transformado em uma camada da rede, deixando de ser apenas paralelo. A inserção é considerada colaborativa por introduzir novos conhecimentos sem comprometer os já adquiridos. Com essa estratégia, foi possível construir redes neurais com desempenho satisfatório e redução no tempo de projeto, principalmente na definição do número de camadas e de neurônios. Além disso, aplicou-se uma técnica de extração de características de sinais de sílabas fonéticas. Os dados de áudio foram convertidos em frequências pela transformada rápida de Fourier, representadas por barras verticais agrupadas em figuras irregulares formadas pela união de retângulos. A característica principal foi obtida pelo cálculo do centróide dessas figuras, permitindo compactar os dados sem perda de informação relevante. As inserções colaborativas foram avaliadas em termos de grau de crescimento da rede para um problema de classificação multiclasse, com caracterização baseada nos centróides extraídos.

  • Open Access

    Reconhecimento de sílabas fonéticas utilizando redes Stacked Autoencoders via compressão de frequências com centroides

    by Carlos Eduardo Nascimento Cajado, Bianca Valéria Lopes Pereira, Samuel Magalhães Pereira, Alexandre Cesar Muniz de Oliveira, Areolino de Almeida Neto

    Este trabalho apresenta um modelo para o reconhecimento de sílabas fonéticas utilizando uma rede Stacked Autoencoder. O objetivo é identificar e distinguir os diferentes sons da fala, considerando sílabas fonéticas e variações na pronúncia. A rede desenvolvida, denominada CollabNet, é caracterizada pela adição colaborativa e gradual de camadas ocultas, garantindo continuidade no aprendizado e convergência progressiva do erro. Essa estratégia também favorece a integração com camadas anteriores e o alinhamento do processo de treinamento. Para representar as sílabas fonéticas, o método realiza compressão de frequências por meio de centroides. Inicialmente, aplica-se a Transformada Rápida de Fourier (FFT) em cada amostra de áudio. As frequências adjacentes são agrupadas e representadas como retângulos em um gráfico de barras, e o centroide de cada grupo é então calculado. Em seguida, a rede é configurada e treinada para reconhecer sílabas fonéticas. A representação do áudio preserva características específicas, permitindo ao CollabNet identificar com precisão diferentes sons do português brasileiro. O modelo alcançou acurácia de 75,96% e Taxa de Erro Fonético (PER) de 23,73%.

  • Firearm detection using DETR with multiple self-coordinated neural networks

    by Romulo Augusto Aires Soares, Alexandre Cesar Muniz de Oliveira, Paulo Rogerio de Almeida Ribeiro, Areolino de Almeida Neto


  • Automatic phoneme recognition by deep neural networks

    by Bianca Valéria L. Pereira, Mateus B. F. de Carvalho, Pedro Augusto A. da S. de A. Nava Alves, Paulo Rogerio de A. Ribeiro, Alexandre Cesar M. de Oliveira, Areolino de Almeida Neto


  • Open Access

    A Multisession SLAM Approach for RatSLAM

    by Matheus Menezes, Mauro Muñoz, Edison Pignaton de Freitas, Sen Cheng, Areolino de Almeida Neto, Paulo Ribeiro, Alexandre Oliveira

    To successfully perform autonomous navigation, mobile agents must solve the Simultaneous Localization and Mapping (SLAM) problem. However, acquiring the map in a single SLAM session may not be possible, thus the map may be incrementally built over multiple sessions. Two solutions could be considered to solve the multisession SLAM problem: (i) the robot must localize itself in the previously stored map before the new session starts; (ii) it can start a new map and merge it with the map from the previous sessions. To date, only scenario (i) has been addressed by RatSLAM, an algorithm inspired by the navigation system in rodent brains. Therefore, this work proposes a multisession solution that solves both scenarios. A new mechanism merges the data from the RatSLAM structures of the current mapping session with those previously stored if there are connections between these paths. This approach was tested in four different scenarios, from virtual controlled environments to real-world environments with two, three, and five sessions. The robot started in an unfamiliar location for each mapping session, but it also works if the agent starts in a known place, scenario (ii) and (i), respectively. For all experiments, the entire map was consistently obtained. Furthermore, the proposed approach updates and enhances the previous session’s map in real-world environments. Therefore, the proposed approach may be a multiple SLAM session solution for the RatSLAM algorithm.


  • Open Access

    xRatSLAM: An Extensible RatSLAM Computational Framework

    by Mauro Enrique de Souza Muñoz, Matheus Chaves Menezes, Edison Pignaton de Freitas, Sen Cheng, Paulo Rogério de Almeida Ribeiro, Areolino de Almeida Neto, Alexandre César Muniz de Oliveira

    Simultaneous localization and mapping (SLAM) refers to techniques for autonomously constructing a map of an unknown environment while, at the same time, locating the robot in this map. RatSLAM, a prevalent method, is based on the navigation system found in rodent brains. It has served as a base algorithm for other bioinspired approaches, and its implementation has been extended to incorporate new features. This work proposes xRatSLAM: an extensible, parallel, open-source framework applicable for developing and testing new RatSLAM variations. Tests were carried out to evaluate and validate the proposed framework, allowing the comparison of xRatSLAM with OpenRatSLAM and assessing the impact of replacing framework components. The results provide evidence that the maps produced by xRatSLAM are similar to those produced by OpenRatSLAM when they are fed with the same input parameters, which is a positive result, and that implemented modules can be easily changed without impacting other parts of the framework.