Treinamento de redes neurais convolucionais com uso de imagens sintéticas e técnicas de interpretabilidade
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFABC |
Texto Completo: | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124429 |
Resumo: | Orientador: Prof. Dr. André Kazuo Takahata |
id |
UFBC_f6e3153f6c9550c926d2603d8e9b0f37 |
---|---|
oai_identifier_str |
oai:BDTD:124429 |
network_acronym_str |
UFBC |
network_name_str |
Repositório Institucional da UFABC |
repository_id_str |
|
spelling |
Treinamento de redes neurais convolucionais com uso de imagens sintéticas e técnicas de interpretabilidadeREDES NEURAIS CONVOLUCIONAISINTELIGÊNCIA ARTIFICIALRECONHECIMENTO DE IMAGENSINTERPRETABILIDADE DE APRENDIZADO DE MÁQUINAEXPLICABILIDADE DE APRENDIZADO DE MÁQUINACONVOLUTIONAL NEURAL NETWORKSARTIFICIAL INTELLIGENCEIMAGE RECOGNITIONMACHINE LEARNING INTERPRETABILITYMACHINE LEARNING EXPLICABILITYPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABCOrientador: Prof. Dr. André Kazuo TakahataDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, Santo André, 2022.A acurácia do Reconhecimento de Imagens por meio de Redes Neurais Convolucionais depende da quantidade e diversidade de cenas das imagens utilizadas no treinamento da rede. Assim, frequentemente a obtenção de várias imagens de uma classe é uma tarefa custosa para o treinamento adequado dessas redes. Neste trabalho, avaliamos o uso de imagens sintéticas geradas a partir de Modelos 3D para treinamento da rede. Para tanto, foram utilizados modelos 3D de cães de diferentes raças com uso de um ambiente virtual tridimensional a partir do qual obtivemos de maneira sintética imagens dos cães em diferentes ambientes e posições de câmera. As simulações realizadas demonstraram que as imagens sintéticas podem ser utilizadas para reconhecimento de objetos reais sendo uma alternativa para obtenção de amostras para treinamento das Redes Neurais Convolucionais. Também aplicando as técnicas de Interpretabilidade de Aprendizado de Máquina podemos medir como o objeto de interesse ante o fundo ou região da imagem foi considerado na classificação e dessa forma diversificar a base de imagens para obter melhor acurácia na classificação.The accuracy of Image Recognition through Convolutional Neural Networks depends on the number and diversity of scenes of the images used in the network training, thus often obtaining several images of the same class is a costly task for properly training these networks. In this work, we evaluate the use of synthetic images generated from 3D Models for network training. For this purpose, 3D models of dogs of different breeds were used and, using a three-dimensional virtual environment, from which we obtained, in a synthetic way, dogs images in different environments and camera positions. The simulations performed showed that synthetic images can be used to recognize real objects, being an alternative for obtaining samples for training Convolutional Neural Networks. Also, by applying Machine Learning Interpretability techniques we can measure how the object of interest against the background or region of the image was considered in the classification and in this way diversify the image base to obtain better accuracy in the classification.Takahata, André KazuoFernandes, João Carlos LopesRibeiro, João Henrique RanhelAndrade, Edilton Torres de2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf79 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124429http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124429&midiaext=80886Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=124429porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2023-07-05T19:36:38Zoai:BDTD:124429Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2023-07-05T19:36:38Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false |
dc.title.none.fl_str_mv |
Treinamento de redes neurais convolucionais com uso de imagens sintéticas e técnicas de interpretabilidade |
title |
Treinamento de redes neurais convolucionais com uso de imagens sintéticas e técnicas de interpretabilidade |
spellingShingle |
Treinamento de redes neurais convolucionais com uso de imagens sintéticas e técnicas de interpretabilidade Andrade, Edilton Torres de REDES NEURAIS CONVOLUCIONAIS INTELIGÊNCIA ARTIFICIAL RECONHECIMENTO DE IMAGENS INTERPRETABILIDADE DE APRENDIZADO DE MÁQUINA EXPLICABILIDADE DE APRENDIZADO DE MÁQUINA CONVOLUTIONAL NEURAL NETWORKS ARTIFICIAL INTELLIGENCE IMAGE RECOGNITION MACHINE LEARNING INTERPRETABILITY MACHINE LEARNING EXPLICABILITY PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC |
title_short |
Treinamento de redes neurais convolucionais com uso de imagens sintéticas e técnicas de interpretabilidade |
title_full |
Treinamento de redes neurais convolucionais com uso de imagens sintéticas e técnicas de interpretabilidade |
title_fullStr |
Treinamento de redes neurais convolucionais com uso de imagens sintéticas e técnicas de interpretabilidade |
title_full_unstemmed |
Treinamento de redes neurais convolucionais com uso de imagens sintéticas e técnicas de interpretabilidade |
title_sort |
Treinamento de redes neurais convolucionais com uso de imagens sintéticas e técnicas de interpretabilidade |
author |
Andrade, Edilton Torres de |
author_facet |
Andrade, Edilton Torres de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Takahata, André Kazuo Fernandes, João Carlos Lopes Ribeiro, João Henrique Ranhel |
dc.contributor.author.fl_str_mv |
Andrade, Edilton Torres de |
dc.subject.por.fl_str_mv |
REDES NEURAIS CONVOLUCIONAIS INTELIGÊNCIA ARTIFICIAL RECONHECIMENTO DE IMAGENS INTERPRETABILIDADE DE APRENDIZADO DE MÁQUINA EXPLICABILIDADE DE APRENDIZADO DE MÁQUINA CONVOLUTIONAL NEURAL NETWORKS ARTIFICIAL INTELLIGENCE IMAGE RECOGNITION MACHINE LEARNING INTERPRETABILITY MACHINE LEARNING EXPLICABILITY PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC |
topic |
REDES NEURAIS CONVOLUCIONAIS INTELIGÊNCIA ARTIFICIAL RECONHECIMENTO DE IMAGENS INTERPRETABILIDADE DE APRENDIZADO DE MÁQUINA EXPLICABILIDADE DE APRENDIZADO DE MÁQUINA CONVOLUTIONAL NEURAL NETWORKS ARTIFICIAL INTELLIGENCE IMAGE RECOGNITION MACHINE LEARNING INTERPRETABILITY MACHINE LEARNING EXPLICABILITY PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC |
description |
Orientador: Prof. Dr. André Kazuo Takahata |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022 |
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.uri.fl_str_mv |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124429 |
url |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124429 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124429&midiaext=80886 Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=124429 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 79 f. : il. |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFABC instname:Universidade Federal do ABC (UFABC) instacron:UFABC |
instname_str |
Universidade Federal do ABC (UFABC) |
instacron_str |
UFABC |
institution |
UFABC |
reponame_str |
Repositório Institucional da UFABC |
collection |
Repositório Institucional da UFABC |
repository.name.fl_str_mv |
Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC) |
repository.mail.fl_str_mv |
|
_version_ |
1801502111079333888 |