Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas.
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UEPG_fa22b2adecf87eb76367c3a913ec78e5 |
---|---|
oai_identifier_str |
oai:tede2.uepg.br:prefix/3650 |
network_acronym_str |
UEPG |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UEPG |
repository_id_str |
|
spelling |
Britto Júnior, Alceu de Souza Britto Junior576.493.759-00lattes.cnpq.brSenger, Luciano José935.911.879-68http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4767325H4&tokenCaptchar=03AGdBq26sd7D27KwkNGJOtdsK7BsvTq9a9rccSErN8pWonTlZEUx7PB39Q0FMv8bkdE6WnV4UKJSsa1hAsdLQR2_JbucOp3MyC3-jorrDlmuqpXqXM3VraC1sS8lnbts4Ly34fsNDNiafM_rVuI0qLDlAcTfRVx6i1Ds3YXZEhooxz36Y9xNBIdEbgY2lmh_9Rca19zDU5oHwy49VQmFCQV7zTUvNMTpIRFtU9BEtlxLzSxSt2x2VAIxpZyCeZRhAZ5MpqxaaDt7VE-9Aoh5_2mbRQUPInloF1Fbdnim8hnAl1n-id7ecbtJIHiKVliPWnLUhZF6m9kKk1JHqFiVHP-B7QIGx6_t1PlEdk5vnBkJseE-SKGWCll8fSLr5kUma8TQtb_f3lViGdKtbPbTjADRLcUlL1tXGjrfIe_pPgsK7iK21O5mLClSoOlDtmXj2HYDm9cq0ZPy-nAK3BrJUrnmgr521kMiTRwAires, Simone Bello Kamiski Aires004.149.129-77lattes.cnpq.brUniversidade Estadual de Ponta GrossaUTFPR099.397.479-18http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K8054864U5&tokenCaptchar=03AGdBq261wphE1IPETnCiRAeKdoUN_RvhKM_fjnu2F0BMI6v_dRpvO2nEYfPc3h-7JBsEuuYq19vqbbdOgUwIQXf74LKK5RFZMKejIU8U7WUsy8zAG8ymgNfaoECgmhczBwVhs6XDwpn4scbkpsPeL4Gf1_JN21uC-SnQog-4X_cdWVjPrK5fEtE727YKBAg9Q3v1KbqY9bdFETgBpA2HN4z5S6T2rKE-Ke1QIMpHXybQg-5A5BZR-SXCZ2t3QdkBdyP2kI-be9Cgb-MOv1JGVJDcoWw9i7Uwb5S36W83ZM4bxBXRchiV46ByUvfJfRg07Z-hIMFo__jYLjBPaYSEJzF8gP3nSePfQKANpMqXtvtdV-nM7AXCI-Yor8474I_FLUCZt8LdyJwk-SoxD3ar-Njoieygmv2hy8AatcvKGLNYTAOIj8B-IJNSmLcgpFcQ7ER07X8Q7RlTo58Abbu8ksExEBrHYyl3nB2XYIUZFUuqOfKaHfzsy-UMoresco, Matheus2022-06-07T22:28:54Z2022-06-072022-06-07T22:28:54Z2022-03-10MORESCO, Matheus. Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. 2022. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa. Ponta Grossa. 2022.http://tede2.uepg.br/jspui/handle/prefix/3650A 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.The classification of plant species, specifically those that use leaf images, has been a great challenge, which requires the analysis of experts in botany. It may be related to a large number of plant species already cataloged and the fact that some plant leaves are similar, despite belonging to different species. To facilitate the plant classification process, automatic systems that use machine learning and computer vision techniques to differentiate species have been proposed, especially Convolutional Neural Network (CNN) models, which have been widely used for feature extraction and classification of plant species. However, the use of CNN requires a large number of images to carry out its training. Also, this tool is not scalable, so if a new class is added, the network needs to retrain. Thus, an alternative has been the use of Siamese Neural Networks (SNN). This study aims to evaluate different architectures of Siamese Neural Networks to plant species classification from leaf images. Additionally, the use of features extracted from the intermediate layers of SNNs is investigated, observing the impact on the results and seeking to prioritize approaches that are efficient even with few training images. Experiments on Flavia and MalayaKew leaf image databases have shown that the fusion of intermediate features improves SNN performance. For SNNs composed of VGG16, MobileNet, and DenseNet models, we observed an accuracy improvement of 0.35, 1.05, and 1 percentage points respectively for the Flavia database, while 17.42, 3.33, and 11 percentage points respectively for the MalayaKew database.Submitted by arlindo kohlrausch (ajfk@uepg.br) on 2022-06-07T22:28:54Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Matheus Moresco.pdf: 5893033 bytes, checksum: ab3c556bb89a4da814120d06edc0e402 (MD5)Made available in DSpace on 2022-06-07T22:28:54Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Matheus Moresco.pdf: 5893033 bytes, checksum: ab3c556bb89a4da814120d06edc0e402 (MD5) Previous issue date: 2022-03-10Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Estadual de Ponta GrossaPrograma de Pós Graduação Computação AplicadaUEPGBrasilDepartamento de InformáticaAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAORedes Neurais SiamesasClassificação de espécies de plantasCaracterísticas multicamadasSiamese Neural NetworksPlant Species ClassificationMulti-layer FeaturesAnálise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Biblioteca Digital de Teses e Dissertações da UEPGinstname:Universidade Estadual de Ponta Grossa (UEPG)instacron:UEPGLICENSElicense.txtlicense.txttext/plain; charset=utf-81866http://tede2.uepg.br/jspui/bitstream/prefix/3650/3/license.txt43cd690d6a359e86c1fe3d5b7cba0c9bMD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811http://tede2.uepg.br/jspui/bitstream/prefix/3650/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52ORIGINALMatheus Moresco.pdfMatheus Moresco.pdfdissertação completa em pdfapplication/pdf5893033http://tede2.uepg.br/jspui/bitstream/prefix/3650/1/Matheus%20Moresco.pdfab3c556bb89a4da814120d06edc0e402MD51prefix/36502022-06-08 10:50:28.345oai:tede2.uepg.br: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 Digital de Teses e Dissertaçõeshttps://tede2.uepg.br/jspui/PUBhttp://tede2.uepg.br/oai/requestbicen@uepg.br||mv_fidelis@yahoo.com.bropendoar:2022-06-08T13:50:28Biblioteca Digital de Teses e Dissertações da UEPG - Universidade Estadual de Ponta Grossa (UEPG)false |
dc.title.pt_BR.fl_str_mv |
Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. |
title |
Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. |
spellingShingle |
Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. Moresco, Matheus 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 |
title_short |
Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. |
title_full |
Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. |
title_fullStr |
Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. |
title_full_unstemmed |
Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. |
title_sort |
Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. |
author |
Moresco, Matheus |
author_facet |
Moresco, Matheus |
author_role |
author |
dc.contributor.instituicao-banca1.pt_BR.fl_str_mv |
Universidade Estadual de Ponta Grossa |
dc.contributor.instituicao-banca2.pt_BR.fl_str_mv |
UTFPR |
dc.contributor.advisor1.fl_str_mv |
Britto Júnior, Alceu de Souza Britto Junior |
dc.contributor.advisor1ID.fl_str_mv |
576.493.759-00 |
dc.contributor.advisor1Lattes.fl_str_mv |
lattes.cnpq.br |
dc.contributor.referee1.fl_str_mv |
Senger, Luciano José |
dc.contributor.referee1ID.fl_str_mv |
935.911.879-68 |
dc.contributor.referee1Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4767325H4&tokenCaptchar=03AGdBq26sd7D27KwkNGJOtdsK7BsvTq9a9rccSErN8pWonTlZEUx7PB39Q0FMv8bkdE6WnV4UKJSsa1hAsdLQR2_JbucOp3MyC3-jorrDlmuqpXqXM3VraC1sS8lnbts4Ly34fsNDNiafM_rVuI0qLDlAcTfRVx6i1Ds3YXZEhooxz36Y9xNBIdEbgY2lmh_9Rca19zDU5oHwy49VQmFCQV7zTUvNMTpIRFtU9BEtlxLzSxSt2x2VAIxpZyCeZRhAZ5MpqxaaDt7VE-9Aoh5_2mbRQUPInloF1Fbdnim8hnAl1n-id7ecbtJIHiKVliPWnLUhZF6m9kKk1JHqFiVHP-B7QIGx6_t1PlEdk5vnBkJseE-SKGWCll8fSLr5kUma8TQtb_f3lViGdKtbPbTjADRLcUlL1tXGjrfIe_pPgsK7iK21O5mLClSoOlDtmXj2HYDm9cq0ZPy-nAK3BrJUrnmgr521kMiTRw |
dc.contributor.referee2.fl_str_mv |
Aires, Simone Bello Kamiski Aires |
dc.contributor.referee2ID.fl_str_mv |
004.149.129-77 |
dc.contributor.referee2Lattes.fl_str_mv |
lattes.cnpq.br |
dc.contributor.authorID.fl_str_mv |
099.397.479-18 |
dc.contributor.authorLattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K8054864U5&tokenCaptchar=03AGdBq261wphE1IPETnCiRAeKdoUN_RvhKM_fjnu2F0BMI6v_dRpvO2nEYfPc3h-7JBsEuuYq19vqbbdOgUwIQXf74LKK5RFZMKejIU8U7WUsy8zAG8ymgNfaoECgmhczBwVhs6XDwpn4scbkpsPeL4Gf1_JN21uC-SnQog-4X_cdWVjPrK5fEtE727YKBAg9Q3v1KbqY9bdFETgBpA2HN4z5S6T2rKE-Ke1QIMpHXybQg-5A5BZR-SXCZ2t3QdkBdyP2kI-be9Cgb-MOv1JGVJDcoWw9i7Uwb5S36W83ZM4bxBXRchiV46ByUvfJfRg07Z-hIMFo__jYLjBPaYSEJzF8gP3nSePfQKANpMqXtvtdV-nM7AXCI-Yor8474I_FLUCZt8LdyJwk-SoxD3ar-Njoieygmv2hy8AatcvKGLNYTAOIj8B-IJNSmLcgpFcQ7ER07X8Q7RlTo58Abbu8ksExEBrHYyl3nB2XYIUZFUuqOfKaHfzsy-U |
dc.contributor.author.fl_str_mv |
Moresco, Matheus |
contributor_str_mv |
Britto Júnior, Alceu de Souza Britto Junior Senger, Luciano José Aires, Simone Bello Kamiski Aires |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
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 |
dc.subject.por.fl_str_mv |
Redes Neurais Siamesas Classificação de espécies de plantas Características multicamadas Siamese Neural Networks Plant Species Classification Multi-layer Features |
description |
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. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-06-07T22:28:54Z |
dc.date.available.fl_str_mv |
2022-06-07 2022-06-07T22:28:54Z |
dc.date.issued.fl_str_mv |
2022-03-10 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
MORESCO, Matheus. Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. 2022. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa. Ponta Grossa. 2022. |
dc.identifier.uri.fl_str_mv |
http://tede2.uepg.br/jspui/handle/prefix/3650 |
identifier_str_mv |
MORESCO, Matheus. Análise de arquiteturas de redes neurais siamesas para a classificação de espécies de plantas. 2022. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa. Ponta Grossa. 2022. |
url |
http://tede2.uepg.br/jspui/handle/prefix/3650 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Estadual de Ponta Grossa |
dc.publisher.program.fl_str_mv |
Programa de Pós Graduação Computação Aplicada |
dc.publisher.initials.fl_str_mv |
UEPG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Departamento de Informática |
publisher.none.fl_str_mv |
Universidade Estadual de Ponta Grossa |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UEPG instname:Universidade Estadual de Ponta Grossa (UEPG) instacron:UEPG |
instname_str |
Universidade Estadual de Ponta Grossa (UEPG) |
instacron_str |
UEPG |
institution |
UEPG |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UEPG |
collection |
Biblioteca Digital de Teses e Dissertações da UEPG |
bitstream.url.fl_str_mv |
http://tede2.uepg.br/jspui/bitstream/prefix/3650/3/license.txt http://tede2.uepg.br/jspui/bitstream/prefix/3650/2/license_rdf http://tede2.uepg.br/jspui/bitstream/prefix/3650/1/Matheus%20Moresco.pdf |
bitstream.checksum.fl_str_mv |
43cd690d6a359e86c1fe3d5b7cba0c9b e39d27027a6cc9cb039ad269a5db8e34 ab3c556bb89a4da814120d06edc0e402 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UEPG - Universidade Estadual de Ponta Grossa (UEPG) |
repository.mail.fl_str_mv |
bicen@uepg.br||mv_fidelis@yahoo.com.br |
_version_ |
1809460476360261632 |