Uma análise refinada de erros e da qualidade das imagens na classificação de plâncton com redes neurais convolucionais (2019)
- Authors:
- Autor USP: GONZALES, MARIANE VALERIO - IME
- Unidade: IME
- Sigla do Departamento: MAC
- DOI: 10.11606/D.45.2019.tde-20082025-174812
- Subjects: ANÁLISE DE ERROS; APRENDIZADO COMPUTACIONAL
- Keywords: Aprendizado de máquina; Convolutional neural networks; Focus measures; Machine learning; Machine teaching; Medidas de foco
- Agências de fomento:
- Language: Português
- Abstract: Nos últimos anos, a visão computacional e a inteligência artificial se encontram para resolver uma tarefa complexa que é a classificação de imagens através do aprendizado de máquina. Ao mesmo tempo, milhões de imagens de plâncton são coletadas por equipamentos em desenvolvimento em todo o planeta, mas a classificação dessas imagens é uma tarefa que precisa de pessoal altamente especializado, leva tempo, é cansativa, pouco reprodutiva e é praticamente impossível classificar ao mesmo passo da coleta. Muitos classificadores automáticos vêm sendo propostos para suprir tal demanda utilizando principalmente aprendizado profundo e transfer learning. Neste trabalho, nosso objetivo é analisar outro ponto de vista, investigando com detalhe as classes e instâncias mal classificadas, buscando reconhecer padrões, propor outras abordagens e enfatizando como uma análise fina dos erros pode melhorar o modelo de classificação e ajudar a entender como ele funciona. Dois conjuntos de origens e características diferentes foram utilizados neste trabalho. A principal técnica de classificação por aprendizado de máquina aplicada neste estudo é a rede neural convolucional e o transfer learning através da extração de features. Os experimentos de treinamento e classificação com ambos os conjuntos foram conduzidos de forma a avaliar os efeitos da inclusão de classes desconhecidas e também de imagens de qualidade ruim no conjunto. Os resultados destes experimentos são discutidos para além da acurácia,observando as matrizes de confusão e outros métodos gráficos, além da análise das imagens em si. Observamos um ganho nos experimentos realizados sem as imagens de classe desconhecida. Também encontramos melhora no desempenho do classificador para todos os experimentos de filtragem de qualidade realizados, onde sugerimos que a medida mais apropriada seria a Tenengrad com um limiar moderado de filtragem em torno de 70% do conjunto utilizado aqui.
- Imprenta:
- Data da defesa: 18.12.2019
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
GONZALES, Mariane Valerio. Uma análise refinada de erros e da qualidade das imagens na classificação de plâncton com redes neurais convolucionais. 2019. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2019. Disponível em: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-20082025-174812/. Acesso em: 18 fev. 2026. -
APA
Gonzales, M. V. (2019). Uma análise refinada de erros e da qualidade das imagens na classificação de plâncton com redes neurais convolucionais (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/45/45134/tde-20082025-174812/ -
NLM
Gonzales MV. Uma análise refinada de erros e da qualidade das imagens na classificação de plâncton com redes neurais convolucionais [Internet]. 2019 ;[citado 2026 fev. 18 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-20082025-174812/ -
Vancouver
Gonzales MV. Uma análise refinada de erros e da qualidade das imagens na classificação de plâncton com redes neurais convolucionais [Internet]. 2019 ;[citado 2026 fev. 18 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-20082025-174812/
Informações sobre o DOI: 10.11606/D.45.2019.tde-20082025-174812 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
