Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas.

• Autor(a) principal: Moresco, Matheus
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UEPG
• Texto Completo: http://tede2.uepg.br/jspui/handle/prefix/3650
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Redes Neurais Siamesas; Classificação de espécies de plantas; Características multicamadas; Siamese Neural Networks; Plant Species Classification; Multi-layer Features

A classificação de espécies de plantas, em especial a que utiliza imagens de folhas, é tida como um grande desafio, que requer a análise de especialistas em botânica. Isso pode estar relacionado ao grande número de espécies de plantas já catalogadas e também ao fato de algumas folhas de plantas serem semelhantes, apesar de pertencerem a espécies diferentes. Com o intuito de facilitar o processo de classificação de plantas, sistemas automáticos que usam técnicas de aprendizagem de máquina e visão computacional para diferenciar as espécies têm sido propostos, em especial modelos de Redes Neurais Convolucionais (CNN, do inglês, “Convolutional Neural Networks”), vem sendo amplamente utilizados para extração de características e classificação de espécies de plantas. Porém, o uso de CNN necessita de um grande número de imagens para realizar seu treinamento. Além disso, tal ferramenta não é escalável, de maneira que, caso uma nova classe seja adicionada, a rede precisa ser treinada novamente. Assim, uma alternativa tem sido o uso de Redes Neurais Siamesas (SNN, do inglês, “Siamese Neural Network”). A partir disso, este estudo tem por objetivo avaliar diferentes arquiteturas de Redes Neurais Siamesas na classificação de espécies de plantas a partir da imagem da folha. Adicionalmente, pretende-se investigar o uso de características extraídas de camadas intermediárias das SNNs, observando o impacto na classificação e buscando priorizar abordagens que sejam eficientes mesmo com poucas imagens de treinamento. Experimentos realizados com as bases de imagens de folhas Flavia e MalayaKew, demonstram que o uso de características intermediárias, dependendo da combinação de camadas, pode melhorar o desempenho de uma SNN. Os modelos VGG-16, MobileNet e DenseNet, apresentaram, respectivamente, uma melhora na acurácia de 0,35, 1,05 e 1 pontos percentuais para a base Flavia e 3,37, 3,33 e 11 pontos percentuais para a base MalayaKew.