Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado (2022)
- Authors:
- Autor USP: CAVALLARI, GABRIEL BISCARO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/D.55.2022.tde-08082022-084706
- Subjects: VISÃO COMPUTACIONAL; APRENDIZADO COMPUTACIONAL; PROCESSAMENTO DE IMAGENS; REDES NEURAIS
- Keywords: Aprendizado de características; Aprendizado não supervisionado; Aprendizado profundo; Aprendizado semisupervisionado; Auto-supervisão; Deep learning; Feature learning; Self-supervision; Semi-supervised learning; Unsupervised learning
- Agências de fomento:
- Language: Português
- Abstract: Sistemas atuais de visão computacional demonstram excelente desempenho em uma variedade de benchmarks, como detecção de objetos, reconhecimento e segmentação semântica de imagens. O treinamento dessas redes segue principalmente o paradigma de aprendizado supervisionado, em que são necessários muitos pares de entrada-saída para o treinamento. No entanto, grandes quantidades de dados rotulados manualmente são custosos e complexos de obter. Portanto, o aprendizado sem a necessidade de dados anotados é de grande importância para aproveitar a grande quantidade de dados visuais não rotulados geralmente disponíveis. Para enfrentar esse desafio, métodos de aprendizado não supervisionado e semi-supervisionado podem auxiliar na utilização de dados não rotulados para reduzir a dependência de grandes conjuntos de dados rotulados. Esta pesquisa tem como objetivo investigar diferentes arquiteturas e estratégias de treinamento que consideram uma situação em que se tem apenas dados não rotulados e dados rotulados limitados. Nossa hipótese é que essa estratégia melhora a generalização e a discriminação do espaço de características aprendido. Por meio de tarefas auxiliares, diferentes bases de dados e experimentos extensivos, concluímos que tanto o aprendizado semi-supervisionado quanto o auto-supervisionado seguido de ajuste fino geram representações discriminativas. Ainda, que essas representações tendem a ser mais robustas à ataques quando comparadas àquelas aprendidas em contextospuramente supervisionados.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2022
- Data da defesa: 24.05.2022
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
CAVALLARI, Gabriel Biscaro. Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado. 2022. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-08082022-084706/. Acesso em: 14 nov. 2024. -
APA
Cavallari, G. B. (2022). Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-08082022-084706/ -
NLM
Cavallari GB. Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado [Internet]. 2022 ;[citado 2024 nov. 14 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-08082022-084706/ -
Vancouver
Cavallari GB. Estudo de representações de imagens de múltiplos domínios a partir de aprendizado profundo não supervisionado e semi-supervisionado [Internet]. 2022 ;[citado 2024 nov. 14 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-08082022-084706/
Informações sobre o DOI: 10.11606/D.55.2022.tde-08082022-084706 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
