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...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2020
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/115892 http://49jaiio.sadio.org.ar/pdfs/est/EST-09.pdf |
| Aporte de: |
| Sumario: | 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. |
|---|