Clasificador multiclase con redes neuronales convolucionales

El área de reconocimiento de imágenes ha cobrado considerable interés en los últimos años. Este trabajo explora arquitectura de redes neuronales para conseguir un modelo capaz de reconocer un conjunto variado de 30 especies de animales en su hábitat natural. Para cumplir el objetivo, se utilizaron t...

Descripción completa

Detalles Bibliográficos
Autores principales:	Lorenzo, M., Iarussi, F., Cifuentes, V., Rodriguez, G.
Formato:	Objeto de conferencia
Lenguaje:	Español
Publicado:	2020
Materias:	Ciencias Informáticas Deep Learning Redes neuronales convolucionales Transfer learning T-SNE Hiperparámetros
Acceso en línea:	http://sedici.unlp.edu.ar/handle/10915/115892 http://49jaiio.sadio.org.ar/pdfs/est/EST-09.pdf
Aporte de:	SEDICI (UNLP) de Universidad Nacional de La Plata

id	I19-R120-10915-115892
record_format	dspace
institution	Universidad Nacional de La Plata
institution_str	I-19
repository_str	R-120
collection	SEDICI (UNLP)
language	Español
topic	Ciencias Informáticas Deep Learning Redes neuronales convolucionales Transfer learning T-SNE Hiperparámetros
spellingShingle	Ciencias Informáticas Deep Learning Redes neuronales convolucionales Transfer learning T-SNE Hiperparámetros Lorenzo, M. Iarussi, F. Cifuentes, V. Rodriguez, G. Clasificador multiclase con redes neuronales convolucionales
topic_facet	Ciencias Informáticas Deep Learning Redes neuronales convolucionales Transfer learning T-SNE Hiperparámetros
description	El área de reconocimiento de imágenes ha cobrado considerable interés en los últimos años. Este trabajo explora arquitectura de redes neuronales para conseguir un modelo capaz de reconocer un conjunto variado de 30 especies de animales en su hábitat natural. Para cumplir el objetivo, se utilizaron técnicas de Transfer Learning y Fine Tuning para adaptar redes neuronales ampliamente usadas que han demostrado ser eficaces y eficientes, tales como VGG-16, ResNet50 e InceptionV3. Previamente, se procesaron las imágenes de un dataset, reduciendo su tamaño y extrayendo la región de interés. Asimismo, se implementaron técnicas para evitar el overfitting como data augmentation, early stopping, decay, reduceLROnPlateau y oversampling. Los resultados obtenidos fueron satisfactorios, tanto en métricas de error y precisión, como en F1-Score y ROC-AUC, alcanzando valores muy cercanos a 1. Una vez alcanzados estos resultados se realizó un análisis para comprender los puntos débiles de los modelos obtenidos, utilizando t-SNE y matrices de confusión. Como conclusión, los principales errores se encuentran entre especies de animales muy similares en formas, tamaños, hábitat, colores y texturas que incluso para un humano sería difícil diferenciar.
format	Objeto de conferencia Objeto de conferencia
author	Lorenzo, M. Iarussi, F. Cifuentes, V. Rodriguez, G.
author_facet	Lorenzo, M. Iarussi, F. Cifuentes, V. Rodriguez, G.
author_sort	Lorenzo, M.
title	Clasificador multiclase con redes neuronales convolucionales
title_short	Clasificador multiclase con redes neuronales convolucionales
title_full	Clasificador multiclase con redes neuronales convolucionales
title_fullStr	Clasificador multiclase con redes neuronales convolucionales
title_full_unstemmed	Clasificador multiclase con redes neuronales convolucionales
title_sort	clasificador multiclase con redes neuronales convolucionales
publishDate	2020
url	http://sedici.unlp.edu.ar/handle/10915/115892 http://49jaiio.sadio.org.ar/pdfs/est/EST-09.pdf
work_keys_str_mv	AT lorenzom clasificadormulticlaseconredesneuronalesconvolucionales AT iarussif clasificadormulticlaseconredesneuronalesconvolucionales AT cifuentesv clasificadormulticlaseconredesneuronalesconvolucionales AT rodriguezg clasificadormulticlaseconredesneuronalesconvolucionales
bdutipo_str	Repositorios
_version_	1764820446337826816

Clasificador multiclase con redes neuronales convolucionales

Ejemplares similares