Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas

Detalhes bibliográficos
Autor(a) principal: Zampieri, Paulo Luis, 1970-
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/2845
Resumo: Orientador: Andre Franceschi de Angelis
id UNICAMP-30_c967dc94f4da934f1c45c05f54e7ebc2
oai_identifier_str oai::1236266
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticasPerformance assessment of convolutional neural networks using synthetic imagesRedes neurais convolucionaisRedes neurais (Computação)Classificação de imagemAprendizado profundoConvolutional neural networksNeural networks (Computer science)Image classificationDeep learningOrientador: Andre Franceschi de AngelisDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de TecnologiaResumo: A utilização de classificadores de imagens através de Deep Learning (DL) ou aprendizado profundo é uma das tendências tecnológicas que vem sendo amplamente utilizada. Esta técnica tem evoluído e, através das Redes Neurais Convolucionais (CNN), utilizando aprendizagem supervisionada, é capaz de extrair atributos, identificar padrões e reconhecer imagens. Os objetivos principais deste trabalho foram avaliar a acurácia dos classificadores de imagens utilizando as redes GoogLeNet e AlexNet, combinados com os frameworks, TensorFlow, Caffe e Torch, e determinar quais as melhores configurações (hiperpârametros) a serem utilizados nas CNN. Em relação à literatura em geral, o diferencial desta pesquisa é o uso de sequências de imagens com padrões correlacionados por componentes estáticos (forma) e dinâmicos (movimentação). No que diz respeito a trabalhos específicos com sequências de imagens, as novidades são o uso de conjuntos diversos de padrões e a comparação de frameworks. Foram utilizadas 50.000 imagens sintéticas rotuladas (geradas por software), distribuídas em 25 conjuntos distintos, para a execução dos testes, com padrões simples, perceptíveis por pessoas, como a distância entre pontos, ângulos em vértices, cobertura de áreas e densidade de pontos. A escolha dos parâmetros para utilização na CNN se deu através de testes preliminares. A avaliação de desempenho baseou-se nos indicadores de acurácia de nível 1 e 5. Os resultados demonstraram que a ferramenta utilizada neste trabalho, o DIGITS da Nvidia, consegue fazer classificações com percentual de acerto similar às encontradas na literatura em outros domínios de aplicação. A rede AlexNet com o TensorFlow foi que apresentou melhor resultado, 88,84%, seguida pelo Torch, 79,37% e o Caffe com 61,61%. Já a rede GoogLeNet apresentou resultados inferiores, com 44,92% com o Torch e 55,49% com o Caffe. Diversos contextos podem se beneficiar dos resultados aqui obtidos e da metodologia empregada, inclusive em termos de comparação de desempenho (benchmark)Abstract: The application of image classifiers through Deep Learning (DL) has become a widely used technological trend. Through the Convolutional Neural Networks (CNN), this technique has evolved and, using supervised learning, it is able to extract features, identify patterns, and recognize images. The main aims of this work were to evaluate the accuracy of the image classifiers using GoogLeNet and AlexNet networks, combined with the frameworks, TensorFlow, Caffe and Torch and determine the best configurations (hiperparameters) to be used in the CNNs. In relation to the literature in general, the differential of this research is the use of image sequences with patterns correlated by static (shape) and dynamic (movement) components. Regarding specific works with image sequences, the novelties are the use of different sets of patterns and the comparison of frameworks. Distributed in 25 different datasets, approximately 50,000 labeled synthetic images (generated by software) were used to perform the tests. The images had simple patterns perceptible by people, such as the distance between points, angles at vertices, and density of points. To choose the parameters to be used on the CNNs, some tests were carried out to determine the best values. The performance evaluation was based on level 1 and 5 accuracy indicators. The results showed that the tool used in this work, Nvidia's DIGITS, can classify images with the accuracy like those found in the literature in other application domains. AlexNet network with TensorFlow showed the best results, 88.84%, followed by Torch, 79.37% and Caffe with 61.61%. GoogLeNet network presented lower results, with 44.92% with Torch and 55.49% with Caffe. Other application domains can benefit from the results of this work and the methodology used, including in terms of performance comparison (benchmark)MestradoSistemas de Informação e ComunicaçãoMestre em TecnologiaCAPES23038.013648/2018-51[s.n.]Angelis, André Franceschi de, 1969-Carvalho, Marco Antonio Garcia deZullo Junior, JurandirUniversidade Estadual de Campinas (UNICAMP). Faculdade de TecnologiaPrograma de Pós-Graduação em TecnologiaUNIVERSIDADE ESTADUAL DE CAMPINASZampieri, Paulo Luis, 1970-20212021-11-22T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (120 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/2845ZAMPIERI, Paulo Luis. Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas. 2021. 1 recurso online (120 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/2845. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1236266Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2022-02-17T13:11:24Zoai::1236266Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2022-02-17T13:11:24Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas
Performance assessment of convolutional neural networks using synthetic images
title Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas
spellingShingle Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas
Zampieri, Paulo Luis, 1970-
Redes neurais convolucionais
Redes neurais (Computação)
Classificação de imagem
Aprendizado profundo
Convolutional neural networks
Neural networks (Computer science)
Image classification
Deep learning
title_short Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas
title_full Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas
title_fullStr Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas
title_full_unstemmed Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas
title_sort Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas
author Zampieri, Paulo Luis, 1970-
author_facet Zampieri, Paulo Luis, 1970-
author_role author
dc.contributor.none.fl_str_mv Angelis, André Franceschi de, 1969-
Carvalho, Marco Antonio Garcia de
Zullo Junior, Jurandir
Universidade Estadual de Campinas (UNICAMP). Faculdade de Tecnologia
Programa de Pós-Graduação em Tecnologia
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Zampieri, Paulo Luis, 1970-
dc.subject.por.fl_str_mv Redes neurais convolucionais
Redes neurais (Computação)
Classificação de imagem
Aprendizado profundo
Convolutional neural networks
Neural networks (Computer science)
Image classification
Deep learning
topic Redes neurais convolucionais
Redes neurais (Computação)
Classificação de imagem
Aprendizado profundo
Convolutional neural networks
Neural networks (Computer science)
Image classification
Deep learning
description Orientador: Andre Franceschi de Angelis
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-11-22T00:00:00Z
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 https://hdl.handle.net/20.500.12733/2845
ZAMPIERI, Paulo Luis. Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas. 2021. 1 recurso online (120 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/2845. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/2845
identifier_str_mv ZAMPIERI, Paulo Luis. Avaliação de desempenho de redes neurais convolucionais utilizando imagens sintéticas. 2021. 1 recurso online (120 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/2845. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1236266
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (120 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189179542732800

Registros relacionados