Um Estudo sobre Diferente Tipos de Funções de Custo Para Redes Neurais Convolucionais
|
|
- Eduardo Penha
- 5 Há anos
- Visualizações:
Transcrição
1 Um Estudo sobre Diferente Tipos de Funções de Custo Para Redes Neurais Convolucionais Roberto M. Pinheiro Pereira, Lucas Bezerra Maia, Thalles Alencar Silva, Alexandre César P. Pessoa, Geraldo Braz Junior Núcleo de Computação Aplicada Universidade Federal do Maranhão (UFMA) Caixa Postal São Luís MA Brasil Abstract. Different convolutional neural network architectures have been proposed. Most of them have acquired small error rates among different datasets. Meanwhile, different regression methods and the most variant cost functions, with mathematical endorsement, are being suggested. This paper analises different cost functions applied on convolutional neural networks and proposes four different approaches relating error rate and different statistic metrics: specificity, sensibility and accuracy. Resumo. Diferente arquiteturas de redes neurais convolucionais têm sido propostas ao longo do tempo. A maioria tem obtido pequenas taxas de erro em diferente base de dados. Ao mesmo tempo, diferente métodos de regressão e as mais diversas funções de custo, com embasamento matemático, são montadas. O objetivo desse artigo é analisar diferentes funções de custo aplicadas sobre redes neurais convolucionais e propor quatro abordagens diferentes que relacionam o erro calculado com diferente métricas estatísticas: especificidade, sensibilidade e acurácia.. Introdução As Redes Neurais Convolucionais (CNN) tiveram seu primeiro sucesso na década de 990 quando Yan Lecun, por meio da rede neural LeNet [LeCun et al. 998] obteve uma acurácia acima de 90% na base de dados MNIST. Contudo, foi somente por volta de 2004, devido aos avanços em poder computacional e de memória dos computadores atuais que CNNs se tornaram capaz de resolver problemas do mundo real. Em áreas relacionadas à visão computacional, as redes neurais artificiais têm obtido resultados que antes eram inimagináveis. Nas edições mais recentes do concurso Imagenet LSVRC os vencedores tem inovado a cada ano com diversas arquiteturas CNN. Durante a edição LSVRC-200 a rede neural AlexNet [Krizhevsky et al. 202] obteve os melhores resultados com erros de 7% na categoria de classificação top-5. Já em LSVRC- 204 a GoogLeNet [Szegedy et al. 205] obteve erro de 6.7% na mesma categoria. Mais recentemente as redes neurais residuais obtiveram uma taxa de erro de 3.57% na base
2 de dados Imagenet, ficando em primeiro lugar na competição de classificação ILSVRC Ainda, em [Hafemann 204], dentre outras aplicações, utilizam-se redes neurais convolucionais na classificação de áudios. Já [Lo et al. 995] utiliza a técnica na detecção de nódulos pulmonares e em [Pereira et al. 206] na análise de lesões mamarias, obtendo resultados de acurácia satisfatórios. Contudo, em áreas como a análise de imagens médicas, a quantidade de acertos de um modelo não é uma medida satisfatória para considerar o modelo bom. A quantidade de falso positivo e falso negativo deve ser minima. Este trabalho tem como objetivo apresentar um estudo sobre diferentes funções de custo utilizadas em Redes Neurais Convolucionais. Sua contribuição consiste em tentar encontrar uma função que diminua as taxas de falso positivo e falso negativo. 2. Redes Neuraus Convolucionais Inspirado no córtex visual de animais [Hubel and Wiesel 968], redes neurais convolucionais (CNNs) continuamente subdividem imagens com o objetivo de extrair características das mesmas. Uma rede neural convolucional realiza o aprendizado por meio dos métodos feedfoward e backpropragation [Rumelhart et al. 988]. Geralmente, existem três camadas distintas em uma CNN: convolução, pooling e uma rede neural artificial completamente conectada. Camadas de convolução podem ser entendidas como conjuntos de filtros a serem aprendidos representados em forma de matrizes de ativação. Cada filtro é aprendido de uma parte diferente da imagem e, então, utilizado como extrator de características resultando em um mapa de ativação daquela característica. Geralmente, camadas de convolução vêm seguidas de uma camada de subamostragem, também chamada de camada de pooling. Camadas desse tipo têm como objetivo representar estatisticamente a camada anterior. Utilizando funções tais como máximo e média a quantidade de dados é significantemente reduzida sem perdas significativas. Camadas de pooling geram filtros mais confiáveis e ajudam a prevenir overfitting. Por último, as camadas complementante conectadas geralmente estão no topo das redes neurais convolucionais classificando as características encontradas em classes. Neste ponto, também se encontram as funções de custo que têm como objetivo representar o erro entre o valor esperado e a classificação dada pela rede neural. O erro encontrado é utilizado no processo de retro-propagação e, com o auxilo de funções de otimização, no ajuste dos pesos da rede neural convolucional. 2.. Métricas Importantes Visando reduzir a taxa de falsos positivos, algumas métricas estatísticas foram utilizadas, elas são: Sensibilidade (Se), Especificidade (Es) e Precisão (Pr). Sensibilidade é definida como a capacidade de acertar amostras da mesma classe, ou seja, corresponde a taxa de verdadeiro positivo e pode ser definido por: Se = T p T p + F n ()
3 onde T p representa a taxa de verdadeiro positivo, ou seja, amostras corretamente classificados. F n representa, no teste de hipótese [Schlotzhauer 2007], erros do tipo I. A Equação 2 pode ser interpretada como a taxa de elementos que foram corretamente rejeitados. Es = T n T n + F p (2) T n representa a quantidade de elementos verdadeiros negativos e F p o total de casos de erro tipo II. A precisão mostra o quanto o grau de variabilidade no resultado, assim, quanto maior a precisão maior é o grau de concordância dos resultados. P e = T p T p + F p (3) A Equação 3 nos mostra como calcular o valor da precisão baseado em T p e F p. 3. Metodologia A metodologia proposta é apresentada na Figura e consiste de três etapas: aquisição de imagens, treino, teste e validação de resultados. Cada uma destas etapas estão descritas nas seções a seguir. Figura. Metodologia proposta. 3.. Base de Dados e Geração de Imagens Este trabalho foi conduzido sobre a base de dados HOMUS [Calvo-Zaragoza and Oncina 204]. A base consiste de amostras de notas musicais manuscritas por 00 músicos, cada músico escreveu o símbolo baseado no seu estilo próprio. As amostras estão divididas em 32 classes diferentes, cada uma representando uma nota símbolo distinto. As amostras são compostas do seus conjuntos de traços, a identificação do autor e a classe a qual o símbolo representa. Para que pudéssemos dar continuidade com a metodologia, foi necessário A partir destas amostras, foram geradas imagens binarias. Para cada amostra, cada traço foi ligado com o próximo do mesmo conjunto. Para gerar os traços foram utilizados 2 pixeis de espessura. A Figura 2 mostra um exemplo do resultado obtido após esta etapa Treino e Teste Neste trabalho, foi utilizado a rede neural LeNet [LeCun et al. 998]. Após a etapa de aquisição das imagens, a base de dados foi dividida aleatoriamente em três. O subconjunto de treino ficou com 60% das imagens, para a validação foram reservado 20% do conjunto total e o restante foi destinado à fase de teste. Todas as redes foram treinadas por 00
4 épocas com os conjuntos de treino e validação e, então, tiveram seu modelo avaliados com o conjunto de teste. Ao todo, oito funções de custo foram utilizadas nesse trabalho. Quatro delas são bem conhecidas: Erro Quadrático Médio, Poisson, Divergência de Kullback-Leibler e a Função de Custo Logaritmo Multi-Classe, também chamada de Categorical Crossentropy. Essas funções têm como principal objetivo aproximar o valor classificado com o valor esperado. As demais procuram relacionar diretamente as funções de especificidade, sensibilidade e precisão com o erro obtido. Sendo assim, as funções de custo foram geradas calculando o erro gerado pela função de custo Categorical Crossentropy e dividindo esse erro pelas métricas estatísticas. O resultado foram as equações 4, 5, 6 e 7. loss sp = loss se = loss pr = C C C Cc= Sp(Q, P, c) Cc= Se(Q, P, c) Cc= P r(q, P, c) (4) (5) (6) loss mix = 4 C Cc= Acc(Q, P, c) + Sp(Q, P, c) + 2 Se(Q, P, c) (7) onde representa o custo calculado pela função categorical crossentropy sobre a predição P dos elementos em Q. Ainda, as funções Acc(Q, P, c), Sp(Q, P, c), Se(Q, P, c) e P r(q, P, c) representam, respectivamente, a acurácia, especificidade, sensibilidade, e precisão da classe c. Os resultados encontrados utilizando essas funções, são discutidos na Seção seguinte. 4. Resultados Os resultados discutidos nessa seção foram encontrados sobre a média de 5 execuções da metodologia proposta na Seção 3. As Figuras 3 a 5 mostram as taxas de erro obtidas utilizando-se diferentes funções de custo. A função de custo baseada na sensibilidade Figura 2. Exemplo de imagem gerada. No lado esquerdo temos a representação gráfica da amostra. No lado direito temos a imagem obtida após o processamento.
5 Figura 3. Em verde, temos a taxa de erro da precisão (em %) das funções de custo analisadas. Em azul, temos a taxa de erro das sensibilidade do modelo sobre o conjunto de teste. (vide Equação 4) obteve as menores taxas de erros entre todas as métricas estatísticas estudadas. Todas as funções de custo propostas mostraram uma melhoria os resultados. Utilizando a função de custo baseada na sensibilidade, os erros reduziram cerca de 4% do valor do erro utilizando a função básica cross entropy. O mesmo pode ser observado com as outras funções propostas que obtiveram uma melhoria entre 2% e 2,5% em relação a sua função primaria. Figura 4. Taxa de erro de especificidade das diversas funções de custo analisadas. Dentre as funções de custo estudadas, a que obteve pior resultado foi a categorical crossentropy. Esta apresentou as taxas de erro mais elevados. Já a que obteve pior resultados dentre as propostas foi a baseada na especificidade (vide Equação 4) obtendo o segundo pior resultados em todas as estatísticas analisadas. Figura 5. Taxa de erro de acurácia das diversas funções de custo analisadas.
6 Por fim, o melhor resultado obtido com o uso da função de custo baseada na sensibilidade com taxas de erro de 6.408% de acurácia, 0.533% de especificidade, 4.364% de sensibilidade e 4.78% de precisão. 5. Conclusão Redes Neurais Convolucionais, recentemente, vêm revolucionando diversos campos da visão computacional. Altas taxas de acurácia e facilidade de adaptação são características marcantes nas diversas arquiteturas CNN propostas até hoje. No entanto, como vimos, uma escolha difícil a ser feita é a melhor função de custo para um determinado problema quando objetivamos melhorar outras métricas estatísticas que vão além da taxa de acerto. Neste trabalho, foram propostas quatro funções de custo baseadas em diferentes métricas estatísticas e na taxa de erro da função cross entropy. O melhor resultado foi obtido com a função sensibilidade que superou todas as outras funções de custo estudada nesse trabalho. Os resultados mostram um aprimoramento de cerca de 4% relativo ao erro obtido utilizando-se somente o cross entropy como função de erro. Os resultados obtidos se mostram promissores. Como trabalhos futuros pretendemos propor funções de custo mais sofisticadas e realizar mais testes baseando-se em diferentes funções, como a distribuição de Poisson. Referências Calvo-Zaragoza, J. and Oncina, J. (204). Recognition of pen-based music notation: the homus dataset. In nd International Conference on Pattern Recognition (ICPR), pages IEEE. Hafemann, L. G. (204). An analysis of deep neural networks for texture classification. Hubel, D. H. and Wiesel, T. N. (968). Receptive fields and functional architecture of monkey striate cortex. The Journal of physiology, 95(): Krizhevsky, A., Sutskever, I., and Hinton, G. E. (202). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems, pages LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(): Lo, S.-C., Lou, S.-L., Lin, J.-S., Freedman, M. T., Chien, M. V., and Mun, S. K. (995). Artificial convolution neural network techniques and applications for lung nodule detection. IEEE Transactions on Medical Imaging, 4(4):7 78. Pereira, R. M., Matos, C. E., Diniz, J. O., Junior, G. B., De Almeida, J. D., Silva, A. C., and de Paiva, A. C. (206). Abordagem deep learning para classificaç ao de lesoes mamarias. WIM - XVI Workshop de Informática Médica, pages Rumelhart, D. E., Hinton, G. E., and Williams, R. J. (988). Learning representations by back-propagating errors. Cognitive modeling, 5(3):. Schlotzhauer, S. D. (2007). Elementary statistics using JMP. SAS Institute. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (205). Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 9.
Uma Abordagem Genética Para Redes Neurais Convolucionais
Uma Abordagem Genética Para Redes Neurais Convolucionais Roberto M. Pinheiro Pereira 1, Lucas Bezerra Maia 1, Polyana Bezerra Da Costa 1, Jordan Boaz Rodrigues 1, Geraldo Braz Junior 1 João D. S. De Almeida,
Leia maisReconhecimento de Modelos de Veículos
Reconhecimento de Modelos de Veículos Fernando Benedito Veras Magalhães January 15, 2018 1 Introdução Em 2017, 2,1 milhões de automóveis, incluindo picapes e furgões, foram vendidos no Brasil. A variedade
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira Programa de Pós-Graduação em Informática Departamento de Informática UFPR http://www.inf.ufpr.br/aghochuli/caffe/ Redes Neurais
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientadores: Dr. Luiz E. S. Oliveira/Dr. Alceu Britto Programa de Pós-Graduação em Informática Departamento de Informática UFPR Neurônio Artificial Redes Neurais - Vetor de Caracteristícas
Leia maisGoogLeNet - Going Deeper with Convolutions
- Going Deeper with Convolutions Heyde Francielle do Carmo França Prof. Dr. Anderson Soares Instituto de Informática Universidade Federal de Goiás 02 de Dezembro de 2016 1 / 35 Sumário I 1 2 3 2 / 35 3
Leia maisRoberto Lotufo Big Data Brasil São Paulo, 23 de junho de 2018
Roberto Lotufo roberto@neuralmind.ai Big Data Brasil São Paulo, 23 de junho de 2018 Classificação dedo falso/dedo vivo Desempenho atual: 200ms Intel I5 99% acurácia LivDet 2015 - Fingerprint Liveness Competition
Leia maisRECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO Fernanda Maria Sirlene Pio SUMARIO Introdução Trabalhos Relacionados Metodologia Experimentos Conclusão Referências 2 INTRODUÇÃO Reconhecimento de Padrões
Leia maisReconhecimento de Sinais de Trânsito Utilizando Deep Learning
Reconhecimento de Sinais de Trânsito Utilizando Deep Learning Marcos Vinícius Oliveira Sobrinho 1, Matheus Chaves Menezes 1, Chrystian Gustavo Martins Nascimento 1, Geraldo Braz Júnior 2 1 Curso de Ciência
Leia maisRedes Convolucionais Aplicadas em Visão Computacional
Redes Convolucionais Aplicadas em Visão Computacional Marcos José Canêjo Estevão de Azevêdo mjcea@cin.ufpe.br Sumário História Evolução Tipos Aplicações Considerações Finais 2 História Surgiram em 1980
Leia maisVERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION - VGG
Exemplo de Implementação - 16 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION - VGG Edjalma Queiroz da Silva Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado
Leia maisSegmentação Automática da Próstata em Imagens de Ressonância Magnética utilizando Redes Neurais Convolucionais e Mapa Probabilístico
Segmentação Automática da Próstata em Imagens de Ressonância Magnética utilizando Redes Neurais Convolucionais e Mapa Probabilístico Jonnison L. Ferreira 1, Giovanni L. F. da Silva 1, Artur B. S. Reis
Leia maisDeep Learning para Classificação de Imagens
Deep Learning para Classificação de Imagens Vinicius Eiji Martins 1, Sylvio Barbon Junior 1 1 Departamento de Computação Universidade Estadual de Londrina (UEL) Caixa Postal 10.011 CEP 86057-970 Londrina
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.6. Deep Learning 2.6.1. O Problema da Extração de Características
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Cristina Nader Vasconcelos Universidade Federal Fluminense CNNs Câmeras estão por toda parte! crisnv@ic.uff.br Aquisição de imagens digitais crisnv@ic.uff.br 3 Representação
Leia maisRegion Based CNNs. Francisco Calaça Xavier. Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado. Instituto de Informática UFG
Region Based CNNs Francisco Calaça Xavier Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado Instituto de Informática UFG Prof. Anderson Soares Agenda O problema Estado da arte R-CNN
Leia maisObject Tracking. Fernando Medeiros Dufour Ciência da Computação - UFPR Tópicos em Visão Computacional
Object Tracking Fernando Medeiros Dufour Ciência da Computação - UFPR Tópicos em Visão Computacional Índice 1. Introdução a. Problema b. Aplicações c. Dificuldades d. Datasets 2. Redes Neurais Convolucionais
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisClassificação de espécies de peixe utilizando redes neurais convolucional
Classificação de espécies de peixe utilizando redes neurais convolucional Andre G. C. Pacheco a,1 a Programa de Pós-Graduação em Informática (PPGI), Universidade Federal do Espírito Santo (UFES), Vitória
Leia maisRedes Neurais Convolucionais Aplicadas à Preensão Robótica
Redes Neurais Convolucionais Aplicadas à Preensão Robótica Renata Oliveira, Errison Alves e Carlos Malqui DEE - Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), RJ, Brasil renata.garcia.eng@gmail.com
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS FABIO AUGUSTO GONÇALVES FACCINI
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS FABIO AUGUSTO GONÇALVES FACCINI Avaliação de desempenho de uma rede neural convolucional para classificação de imagens ruidosas São Carlos 2018
Leia maisFirst-person activity recognition. Matheus A. Nerone
First-person activity recognition Matheus A. Nerone Sumário 1. 2. 3. Introdução a. Contexto b. Problema c. Exemplos de uso d. Dificuldades Trabalhos Relacionados a. Artigo inicial b. Histórico Artigos
Leia maisAvaliação do desempenho das ConvNets na detecção de ovos de esquistossomose PROPOSTA DE TRABALHO DE GRADUAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO Avaliação do desempenho das ConvNets na detecção de ovos de esquistossomose PROPOSTA DE TRABALHO DE GRADUAÇÃO
Leia maisINF011 - Seminários de Pesquisa II
INF011 - Seminários de Pesquisa II Doutorando: Erick Toshio Yamamoto Orientador: Prof. Dr. Ricardo Suyama Professor da Disciplina: Prof. Dr. João Henrique Kleinschmidt Santo André, 02 de maio de 2018 Agenda
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS. Kaio Augusto de Oliveira
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS Kaio Augusto de Oliveira Avaliação de desempenho de redes neurais convolucionais para classificação de imagens de texturas rotacionadas. São
Leia maisEcho State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
Leia maisAvaliando Técnicas de Aprendizado Profundo para Detecção de Esquistossomose Mansoni em Imagens de Exames Parasitológicos
Avaliando Técnicas de Aprendizado Profundo para Detecção de Esquistossomose Mansoni em Imagens de Exames Parasitológicos Rodrigo F. A. P. de Oliveira, Milla S. A. Ferro, Bruno J. T. Fernandes e Carmelo
Leia maisINTRODUÇÃO À APRENDIZAGEM PROFUNDA. Eduardo Bezerra (CEFET/RJ)
INTRODUÇÃO À APRENDIZAGEM PROFUNDA Eduardo Bezerra (CEFET/RJ) ebezerra@cefet-rj.br Sobre mim 2 Professor do CEFET/RJ (Rio de Janeiro) desde 2005. Docente permanente no recém-criado Programa de Pós-Graduação
Leia maisMachine learning para reconhecimento de padrões em tempo real
Machine learning para reconhecimento de padrões em tempo real Felipe Kühne Guilherme Webber Mendes DBLab Laboratório de Inovação DBServer Assessoria em Sistemas de Informação Junho de 2018 Quem somos Felipe
Leia maisProjetos finais. Grupo 3
Projetos finais Grupo 3 Integrantes Laez Barbosa da Fonseca Filho 8586902 laez.filho@usp.br Caetano Mastroianni Dieguez 7210164 caetano.dieguez@usp.br Lais Harumi Fukujima Aguiar 8587142 lais.aguiar.br@ieee.org
Leia maisANÁLISE DE IMAGENS COM DEEP LEARNING MATHEUS VIANA IBM RESEARCH BRASIL
ANÁLISE DE IMAGENS COM DEEP LEARNING MATHEUS VIANA IBM RESEARCH BRASIL IBM RESEARCH NO MUNDO IBM RESEARCH NO MUNDO CIÊNCIA DO COMPORTAMENTO CIÊNCIA DOS MATERIAIS QUÍMICA MATEMÁTICA CIÊNCIA DA COMPUTAÇÃO
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisComposição de música utilizando LSTM
Composição de música utilizando LSTM Alexandre de C. Araújo 12 Nelia Cantanhade Reis 12 André Monteiro 1 1 Departamento de Informática - Universidade Federal do Maranhão(UFMA) Av. dos Portugueses, 1966
Leia maisDetecção de pessoas em um ambiente industrial utilizando imagens de profundidade e classificadores profundos
Detecção de pessoas em um ambiente industrial utilizando imagens de profundidade e classificadores profundos Eduardo Henrique Arnold e Danilo Silva Resumo Esse trabalho descreve o desenvolvimento de um
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Leia maisExtração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
Leia maisRecognition of Pantanal Animal Species using Convolutional Neural Networks
Recognition of Pantanal Animal Species using Convolutional Neural Networks Diogo Nunes Gonçalves, Mauro dos Santos de Arruda, Lucas Abreu da Silva, Reinaldo Felipe Soares Araujo, Bruno Brandoli Machado,
Leia maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisRedes Neurais Convolucionais de Profundidade para Reconhecimento de Textos em Imagens de CAPTCHA
Redes Neurais Convolucionais de Profundidade para Reconhecimento de Textos em Imagens de CAPTCHA Vitor Arins Pinto 1 1 Departamento de Informática e Estatística - Universidade Federal de Santa Catarina
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisUm comparativo entre arquiteturas de redes neurais profundas aplicadas no reconhecimento de imagens
Um comparativo entre arquiteturas de redes neurais profundas aplicadas no reconhecimento de imagens Leandro R. L. Pavão, Tatiana F. M. dos Santos, Carlos O. Rolim Universidade Regional Integrada do Alto
Leia maisPerson Re-Identification. Autor: Guilherme Zasyeki Machado
Person Re-Identification Autor: Guilherme Zasyeki Machado Sumário - Introdução ao problema - Visão geral ao processo de Re-Identificação - Evolução estado da arte - Datasets disponíveis - Análise estado
Leia maisENIAC XIV Encontro Nacional de Inteligência Artificial e Computacional
ENIAC - 2017 XIV Encontro Nacional de Inteligência Artificial e Computacional Realização: Organização: Promoção: 2 a 5 de outubro de 2017 Uberlândia, MG, Brasil Anais Comissão Especial de Inteligência
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia maisSignature verification
Signature verification Thiago Jorge Abdo Departamento de informática Universidade Federal do Paraná Junho, 2018 Sumário 1 Introducao 2 Dificuldades 3 Offline signature verification 4 Online signature verification
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisPREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
Leia maisPrograma Interdisciplinar de Pós-Graduação em. Computação Aplicada. Mestrado Acadêmico. Uilian Kenedi Lopes
Programa Interdisciplinar de Pós-Graduação em Computação Aplicada Mestrado Acadêmico Uilian Kenedi Lopes Redes Neurais Convolucionais Aplicadas ao Diagnóstico de Tuberculose por meio de Imagens Radiológicas
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisClassificação de Lesões no Cérebro em Imagens de Ressonância Magnética usando SLIC, Particle Swarm Optimization e Convolutional Neural Network
Classificação de Lesões no Cérebro em Imagens de Ressonância Magnética usando SLIC, Particle Swarm Optimization e Convolutional Neural Network Carolina L. S. Cipriano 1, Felipe J. P. de Andrade 1, Jonnison
Leia maisintrodução ao deep learning
introdução ao deep learning Jeferson de Souza Santos SERFA 2016 IEAv / EGI-S introdução Introdução - Aplicações de Machine Learning - Redes Profundas Figure: Fontes: techli.com; wccftech.com; updateordie.net;
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de formas. Uberlândia 17/05/2013 IDENTIFICAÇÃO
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisDiagnóstico de Leucemia Linfoide Aguda com Redes Neurais Convolucionais Pré-treinadas
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 230-235, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Diagnóstico de Leucemia Linfoide Aguda
Leia maisMétodos de Segmentação de Imagem para Análise da Marcha
Métodos de Segmentação de Imagem para Análise da Marcha Maria João M. Vasconcelos, João Manuel R. S. Tavares maria.vasconcelos@fe.up.pt, tavares@fe.up.pt 3º Congresso Nacional de Biomecânica 11-12 Fevereiro
Leia maisRevista de Sistemas de Informação da FSMA n. 22 (2018) pp
Revista de Sistemas de Informação da FSMA n. 22 (208) pp. 49-59 http://www.fsma.edu.br/si/sistemas.html Uma Introdução Compreensiva às Redes Neurais Convolucionais: Um Estudo de Caso para Reconhecimento
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Leia maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Leia maisUm sistema de identificação biométrica utilizando reconhecimento de íris e OpenCV
Um sistema de identificação biométrica utilizando reconhecimento de íris e OpenCV Rodrigo Mendes Garcês 1, Geraldo Braz Júnior 2 1 Laboratório de métodos de otimização e robótica Universidade Federal do
Leia maisEstudo comparativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas
Estudo parativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas Pedro Vinícius Macêdo de Araújo, Geraldo Braz Junior Curso de Ciência da Computação Universidade Federal do Maranhão
Leia maisAndré de S. Moreira Caroline Rosa Redlich Suellen de A. C. da S. Motta Thiago R. da Motta Detecção de Pedestres em Vídeos
André de S. Moreira Caroline Rosa Redlich Suellen de A. C. da S. Motta Thiago R. da Motta Detecção de Pedestres em Vídeos Trabalho apresentado na disciplina Aprendizado de Máquina I (INF 2979) ministrada
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia maisMétodos de Deep Learning Aplicados a Candlestick como Estratégia de Investimento
Métodos de Deep Learning Aplicados a Candlestick como Estratégia de Investimento Maio/2019 Felipe Dias Paiva Carolina M. Roma INTRODUÇÃO A previsão dos retornos das ações é considerada uma das tarefas
Leia maisMouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisFLODNet - Detecção e reconhecimento de objetos em dispositivos de baixa especificação: um estudo de caso em classificação de alimentos
FLODNet - Detecção e reconhecimento de objetos em dispositivos de baixa especificação: um estudo de caso em classificação de alimentos B. A. G. de Oliveira 1, F. M. F. Ferreira 1, and C. A. P. S. Martins
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisIntrodução a Visão Computacional. Prof. Dr. Geraldo Braz Junior DEINF - UFMA
Introdução a Visão Computacional Prof. Dr. Geraldo Braz Junior DEINF - UFMA O que é Visão Computacional? Você já viu? 2 O que se espera? Visão é sobre entender imagens Coloridas ou em tons de cinza Pequenas
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisAprendizado de Máquina
Aprendizado de Máquina Principais tópicos Aprendizado profundo André C P L F de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Introdução Redes profundas Aprendizado profundo Redes autodecodificadoras
Leia maisDetecção e Re-mapeamento de Jogadores em um Campo de Futebol
Detecção e Re-mapeamento de Jogadores em um Campo de Futebol Vitor Hugo da Silva Custódio, Sérgio Montazzolli Silva 1 Departamento de Computação Universidade Estadual de Londrina (UEL) Caixa Postal 10.011
Leia maisReconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisBoas Maneiras em Aprendizado de Máquinas
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Boas Maneiras em Aprendizado de Máquinas David Menotti www.inf.ufpr.br/menotti/ci171-182 Boas Maneiras Agenda Introdução Métricas
Leia maisMapas Auto Organizáveis SOMs Mapas de Kohonen
Mapas Auto Organizáveis SOMs Mapas de Kohonen PSI 2886 Princípios de Neurocomputação Edição de 2008 1 PSI 5886 Prof. Emilio Self Organizing Maps de Kohonen Estes slides foram usados nas aulas #8 e #9 na
Leia maisSistema de Reconhecimento Facial Baseado em Redes Neurais Convolucionais Profundas com Aplicação no Comércio Varejista
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS Gustavo Henrique Rigamonti Sistema de Reconhecimento Facial Baseado em Redes Neurais Convolucionais Profundas com Aplicação no Comércio Varejista
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia maisCRI Minas Indústria 4.0. Case Vallourec: Golden Batch na produção de tubos
CRI Minas Indústria 4.0 Case Vallourec: Golden Batch na produção de tubos 02 05 2018 G o l d e n B a t c h A n a l y s i s Case Vallourec Líder mundial em soluções tubulares premium, a Vallourec assegura
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisReconhecimento e detecção de logotipos a partir de redes neurais convolucionais profundas
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA ENGENHARIA DA COMPUTAÇÃO KELVIN BATISTA DA CUNHA Reconhecimento e detecção de logotipos a partir de redes neurais convolucionais profundas RECIFE
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DE CAMPINAS PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO COORDENADORIA GERAL DE PESQUISA EDITAL PROPESQ/CGP Nº 002/17
EDITAL PROPESQ/CGP Nº 002/17 PROCESSO SELETIVO DE BOLSAS DE INICIAÇÃO EM DESENVOLVIMENTO TECNOLÓGICO E INOVAÇÃO PUC-CAMPINAS GRUPO ENGENHO A PONTIFÍCIA UNIVERSIDADE CATÓLICA DE CAMPINAS PUC-CAMPINAS, por
Leia maisTítulo do Projeto: Visão Computacional e Aprendizagem Automática para Aplicações em Agropecuária e Ciências Forenses.
P L A N O D E T R A B A L H O Título do Projeto: Visão Computacional e Aprendizagem Automática para Aplicações em Agropecuária e Ciências Forenses. Título do Plano de trabalho: Redes convolucionais profundas
Leia maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
Leia maisReconhecimento de Caracteres em Imagens com Ruído
Reconhecimento de Caracteres em Imagens com Ruído Sirlene Pio UFOP sirlenepg@gmail.com Fernanda Maria Ribeiro UFOP fernandamaria si@yahoo.com.br Abstract O desempenho dos métodos de aprendizagem de máquina
Leia maisRedes Neurais Convolucionais com Tensorflow: Teoria e Prática
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 382-406, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Capítulo 7 Redes Neurais Convolucionais
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisSISTEMA DE ANÁLISE DE VÍDEO EM TEMPO REAL NA DETECÇÃO DE PADRÕES DE MOVIMENTO
SISTEMA DE ANÁLISE DE VÍDEO EM TEMPO REAL NA DETECÇÃO DE PADRÕES DE MOVIMENTO Davi Alberto Sala, Adriane Parraga e Letícia Vieira Guimarães Universidade Estadual do Rio Grande do Sul RESUMO Uma das seções
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de texturas coloridas. Uberlândia 30/04/2014
Leia maisCaracterização de Imagens via Redes Neurais Artificiais
Caracterização de Imagens via Redes Neurais Artificiais Autor: Eduardo Ferreira Ribeiro 1, Orientadora: Celia Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal
Leia maisVideo Quality Assessment in Java
Video Quality Assessment in Java Pós-graduação strictu sensu em Ciência da Computação PROCESSAMENTO DE IMAGENS, Prof. Tsang Ing Ren Estêvão Monteiro Ricardo Scholz Junho de 2014 Introdução Fidelidade de
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ ANDRÉ GUSTAVO HOCHULI
UNIVERSIDADE FEDERAL DO PARANÁ ANDRÉ GUSTAVO HOCHULI ABORDAGENS LIVRES DE SEGMENTAÇÃO PARA RECONHECIMENTO AUTOMÁTICO DE CADEIAS NUMÉRICAS MANUSCRITAS UTILIZANDO APRENDIZADO PROFUNDO CURITIBA PR 2019 ANDRÉ
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisO Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM)
O Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM) Thiago Henrique Cupertino SCE5809 - Redes Neurais 23 de Novembro de 2010 Conteúdo Introdução Desvantagens do
Leia mais