Modelagem granular convolucional evolutiva para classificação de fluxo de imagens
Os avanços recentes em aprendizado de máquina para visão computacional e classificação de imagens trouxeram, dentre outros desafios, os seguintes: (i) a explicabilidade ou interpretabilidade do modelo neural profundo para classificação; e (ii) a capacidade de aprendizado contínuo online do modelo ap...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Brasil |
| Institución: | Universidade Federal de Lavras (UFLA) |
| Repositorio: | Repositório Institucional da UFLA |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.ufla.br:1/59176 |
| Acceso en línea: | https://repositorio.ufla.br/handle/1/59176 |
| Access Level: | acceso abierto |
| Palabra clave: | Ciencia da computação Visão computacional Reconhecimento de imagens Sistemas inteligentes evolutivos Aprendizado profundo Computação granular Computer vision Image recognition Evolving intelligent systems Deep learning Granular computing |
| Sumario: | Os avanços recentes em aprendizado de máquina para visão computacional e classificação de imagens trouxeram, dentre outros desafios, os seguintes: (i) a explicabilidade ou interpretabilidade do modelo neural profundo para classificação; e (ii) a capacidade de aprendizado contínuo online do modelo após sua implementação em um ambiente dinâmico, conforme observado em um fluxo de imagens. Neste trabalho, é apresentada uma estrutura de Rede Neural Granular Evolutiva Convolucional que se destina a avançar a compreensão e aplicação de aprendizado de máquina em visão computacional, especificamente no reconhecimento e classificação de imagens. A rede é equipada com um algoritmo incremental, que aborda ambas as questões (i) e (ii), proporcionando um nível mais elevado de interpretabilidade ao modelo neural e permitindo aprendizado contínuo ao longo da vida. A modelagem proposta, denominada Convolutional Evolutionary Granular Neural Network (CEGNN) combina parte de uma Rede Neural Convolucional (CNN) denominada VGG-16 com uma rede granular evolutiva (EGNN). A estrutura conexionista e os parâmetros de grânulos de informação da EGNN são gradualmente desenvolvidos e atualizados com base na análise dos componentes principais (PCAs) de variáveis latentes que podem representar características que não são diretamente observáveis, como bordas, texturas, formas ou objetos, extraídas do fluxo de imagens. Em particular, a CNN VGG-16 é explorada para gerar um espaço característico compacto, o qual refere-se a uma representação de características de dados em um espaço de menor dimensionalidade que preserva as informações relevantes para uma tarefa específica, como classificação de imagens, enquanto a EGNN, composta por grânulos fuzzy trapezoidais e funções de agregação T-norma e S-norma, é utilizada para capturar padrões e classificar imagens. A técnica de Análise de Componentes Principais (PCA) é implementada no ponto de integração entre a VGG-EGNN, visando representar as características abstratas que influenciam os dados observados, reduzir o tempo de processamento dos dados e do treinamento online. Essa abordagem não só permite lidar eficientemente com imagens ou frames de vídeo em frequências relativamente mais elevadas, mas também destaca que a precisão e a interpretabilidade do modelo global são aprimoradas pela reconfiguração das conexões resultantes da transformação PCA no espaço latente. Isso é possível, pois ao se reduzir a dimensionalidade dos dados, a perda de informação é minimizada. Os resultados obtidos indicam que o modelo CEGNN é eficiente e interpretável na tarefa de classificação de imagens em dez classes distintas, apresentando uma acurácia de 78,88% e uma precisão de 0,79 na classificação das imagens. Esses resultados destacam a eficácia da abordagem proposta em lidar com a complexidade das tarefas de classificação ressaltando sua viabilidade e relevância em diversas aplicações práticas, como análise de imagens do cérebro, radiológicas, de satélite, de robôs móveis e veículos autônomos, entre outras. |
|---|