Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Nunes, Ricardo Fernando [UNESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Rede convolucional profunda
Teoria da ressonância adaptativa
Classificação de imagem
Deep learning network
Adaptive resonance theory
Image classification
Link de acesso: https://hdl.handle.net/11449/257176
Resumo: Com o recente desenvolvimento de grandes bancos de dados e do processamento paralelo, entre outras facilidades computacionais, as Redes Convolucionais Profundas, com sua alta precisão de classificação, ganharam muitos destaques em tarefas de visão computacional. Estas redes retém uma grande quantidade de conhecimento, pois, normalmente, são treinadas de forma otimizada com muitas imagens, o que demanda um longo período. Entretanto, em suas formas clássicas, utilizam o algoritmo de retropropagação e, portanto, apresentam fragilidades como, esquecimento catastrófico, alucinação e passividade a ataques adversários. Por outro lado, as técnicas de transferência de conhecimento possibilitam aproveitar o vasto conhecimento retido nestas redes e utilizar, por exemplo, uma rede neural da família da Teoria da Ressonância Adaptativa como um agente classificador. Este estudo propõe um modelo, denominado de VGG ARTMAP Fuzzy, que utiliza a arquitetura VGG-16 para extração de características de imagens e uma rede neural ARTMAP Fuzzy para a classificação. O modelo é testado por meio de simulações com bancos de dados relativos à diferentes aplicações de problemas de visão computacional e seu desempenho é validado tanto pela acurácia de suas respostas em testes quanto aos tempos de treinamento e teste.
id UNSP_d15f39c0e5ddbf94d1c69c3c7bfca1be
oai_identifier_str oai:repositorio.unesp.br:11449/257176
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativaImage classification based on deep learning and adaptive resonance theoryRede convolucional profundaTeoria da ressonância adaptativaClassificação de imagemDeep learning networkAdaptive resonance theoryImage classificationCom o recente desenvolvimento de grandes bancos de dados e do processamento paralelo, entre outras facilidades computacionais, as Redes Convolucionais Profundas, com sua alta precisão de classificação, ganharam muitos destaques em tarefas de visão computacional. Estas redes retém uma grande quantidade de conhecimento, pois, normalmente, são treinadas de forma otimizada com muitas imagens, o que demanda um longo período. Entretanto, em suas formas clássicas, utilizam o algoritmo de retropropagação e, portanto, apresentam fragilidades como, esquecimento catastrófico, alucinação e passividade a ataques adversários. Por outro lado, as técnicas de transferência de conhecimento possibilitam aproveitar o vasto conhecimento retido nestas redes e utilizar, por exemplo, uma rede neural da família da Teoria da Ressonância Adaptativa como um agente classificador. Este estudo propõe um modelo, denominado de VGG ARTMAP Fuzzy, que utiliza a arquitetura VGG-16 para extração de características de imagens e uma rede neural ARTMAP Fuzzy para a classificação. O modelo é testado por meio de simulações com bancos de dados relativos à diferentes aplicações de problemas de visão computacional e seu desempenho é validado tanto pela acurácia de suas respostas em testes quanto aos tempos de treinamento e teste.With the recent development of large databases and parallel processing, among other computational facilities, Deep Convolutional Networks, with their high classification accuracy, have gained much prominence in computer vision tasks. These networks retain a large amount of knowledge because they are usually trained in an optimized way with many images, which requires a long period of time. However, in their classical forms, they use the backpropagation algorithm and, therefore, present weaknesses such as catastrophic forgetting, hallucination and passivity to adversarial attacks. On the other hand, knowledge transfer techniques make it possible to take advantage of the vast knowledge retained in these networks and use, for example, a neural network from the Adaptive Resonance Theory family as a classifying agent. This study proposes a Fuzzy VGG ARTMAP model, which uses the VGG-16 architecture for image feature extraction and a Fuzzy ARTMAP neural network for classification. The model is tested through simulations with databases related to different applications of computer vision problems and its performance is validated both by the accuracy of its responses in tests and by the training and testing times.Universidade Estadual Paulista (Unesp)Minussi, Carlos Roberto [UNESP]Universidade Estadual Paulista (Unesp)Nunes, Ricardo Fernando [UNESP]2024-08-26T19:46:51Z2024-08-26T19:46:51Z2024-08-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfNUNES, Ricardo Fernando. Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa. 2024. 114 f. Tese (Doutorado em Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual Paulista - Unesp, Ilha Solteira, 2024.https://hdl.handle.net/11449/25717633004099080P002758850738446430000-0002-4565-6658porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-08-27T06:00:17Zoai:repositorio.unesp.br:11449/257176Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462024-08-27T06:00:17Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa
Image classification based on deep learning and adaptive resonance theory
title Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa
spellingShingle Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa
Nunes, Ricardo Fernando [UNESP]
Rede convolucional profunda
Teoria da ressonância adaptativa
Classificação de imagem
Deep learning network
Adaptive resonance theory
Image classification
title_short Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa
title_full Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa
title_fullStr Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa
title_full_unstemmed Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa
title_sort Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa
author Nunes, Ricardo Fernando [UNESP]
author_facet Nunes, Ricardo Fernando [UNESP]
author_role author
dc.contributor.none.fl_str_mv Minussi, Carlos Roberto [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Nunes, Ricardo Fernando [UNESP]
dc.subject.por.fl_str_mv Rede convolucional profunda
Teoria da ressonância adaptativa
Classificação de imagem
Deep learning network
Adaptive resonance theory
Image classification
topic Rede convolucional profunda
Teoria da ressonância adaptativa
Classificação de imagem
Deep learning network
Adaptive resonance theory
Image classification
description Com o recente desenvolvimento de grandes bancos de dados e do processamento paralelo, entre outras facilidades computacionais, as Redes Convolucionais Profundas, com sua alta precisão de classificação, ganharam muitos destaques em tarefas de visão computacional. Estas redes retém uma grande quantidade de conhecimento, pois, normalmente, são treinadas de forma otimizada com muitas imagens, o que demanda um longo período. Entretanto, em suas formas clássicas, utilizam o algoritmo de retropropagação e, portanto, apresentam fragilidades como, esquecimento catastrófico, alucinação e passividade a ataques adversários. Por outro lado, as técnicas de transferência de conhecimento possibilitam aproveitar o vasto conhecimento retido nestas redes e utilizar, por exemplo, uma rede neural da família da Teoria da Ressonância Adaptativa como um agente classificador. Este estudo propõe um modelo, denominado de VGG ARTMAP Fuzzy, que utiliza a arquitetura VGG-16 para extração de características de imagens e uma rede neural ARTMAP Fuzzy para a classificação. O modelo é testado por meio de simulações com bancos de dados relativos à diferentes aplicações de problemas de visão computacional e seu desempenho é validado tanto pela acurácia de suas respostas em testes quanto aos tempos de treinamento e teste.
publishDate 2024
dc.date.none.fl_str_mv 2024-08-26T19:46:51Z
2024-08-26T19:46:51Z
2024-08-02
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv NUNES, Ricardo Fernando. Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa. 2024. 114 f. Tese (Doutorado em Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual Paulista - Unesp, Ilha Solteira, 2024.
https://hdl.handle.net/11449/257176
33004099080P0
0275885073844643
0000-0002-4565-6658
identifier_str_mv NUNES, Ricardo Fernando. Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa. 2024. 114 f. Tese (Doutorado em Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual Paulista - Unesp, Ilha Solteira, 2024.
33004099080P0
0275885073844643
0000-0002-4565-6658
url https://hdl.handle.net/11449/257176
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1854954296534106112

Registros relacionados