Extração de Meta-Características de Conjuntos de Dados de Imagens para Seleção de Redes Neurais Convolucionais

  • Lucas Dias Universidade Federal Rural de Pernambuco
  • Péricles Miranda Universidade Federal Rural de Pernambuco
  • André Nascimento Universidade Federal Rural de Pernambuco
  • Filipe Cordeiro Universidade Federal Rural de Pernambuco
  • Rafael Mello Universidade Federal Rural de Pernambuco
  • Ricardo Prudêncio Universidade Federal de Pernambuco
  • Ricardo Oliveira Universidade Federal Rural de Pernambuco

Resumo


As Redes Neurais Convolucionais (RNCs) são a principal solução para a tarefa de classificação de imagens em diferentes aplicações. No entanto, a seleção da RNC mais adequada e de seus parâmetros para uma determinada base de imagens geralmente é realizada por tentativa e erro, o que pode levar muito tempo e custo computacional. Este artigo propõe o método Dataset2Vec e emprega o método de Meta-Aprendizado (MtA) para selecionar arquiteturas de RNCs para classificação de imagens. O Dataset2Vec adota uma rede neural profunda para extrair características de bases de imagens, incorporando-as em um único vetor. Para avaliar a solução proposta, adotou-se a seleção entre seis algoritmos da RNC para 45 bases de imagens de classificação binária. Os resultados mostraram que o MtA usando o Dataset2Vec superou os diferentes métodos baseline em todas as medidas de desempenho avaliadas, indicando que a proposta foi capaz de extrair recursos representativos dos conjuntos de dados de imagens para seleção de RNCs.

Palavras-chave: Redes Neurais Profundas, Seleção de Algoritmos, Extração de Características

Referências

Achille, A., Lam, M., Tewari, R., Ravichandran, A., Maji, S., Fowlkes, C., Soatto, S., and Perona, P. (2019). Task2Vec: Task Embedding for Meta-Learning.

Aguiar, G. J., Mantovani, R. G., Mastelini, S. M., de Carvalho, A. C., Campos, G. F., and Junior, S. B. (2019). A meta-learning approach for selecting image segmentation algorithm. Pattern Recognition Letters, 128:480–487.

Bay, H., Tuytelaars, T., and Van Gool, L. (2006). Surf: Speeded up robust features. In European conference on computer vision, pages 404–417. Springer.

Chao, W.-L., Ye, H.-J., Zhan, D.-C., Campbell, M., and Weinberger, K. Q. (2020). Revisiting Meta-Learning as Supervised Learning.

Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine learning research, 7(Jan):1–30.

Fernández-Delgado, M., Cernadas, E., Barro, S., and Amorim, D. (2014). Do we Need Hundreds of Classifiers to Solve Real World Classification Problems? Journal of Machine Learning Research, 15:3133–3181.

Krizhevsky, A. and Hinton, G. (2009). Learning multiple layers of features from tiny images. Technical report, Citeseer.

Lorena, A. C., Maciel, A. I., de Miranda, P. B., Costa, I. G., and Prudêncio, R. B. (2018). Data complexity meta-features for regression problems. Machine Learning, 107(1):209–246.

Miranda, P. B., Prudêncio, R. B., De Carvalho, A. P., and Soares, C. (2014). A hybrid meta-learning architecture for multi-objective optimization of svm parameters. Neurocomputing, 143:27–43.

Olson, D. L. (2004). Comparison of weights in topsis models. Mathematical and Computer Modelling, 40(7-8):721–727.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. Journal of machine learning research, 12(Oct):2825–2830.

Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 1–9.

Takemoto, S. and Yokota, H. (2009). Algorithm selection for intracellular image segmentation based on region similarity. In 2009 Ninth International Conference on Intelligent Systems Design and Applications, pages 1413–1418. IEEE.

Tan, M., Chen, B., Pang, R., Vasudevan, V., Sandler, M., Howard, A., and Le, Q. V. (2019). Mnasnet: Platform-aware neural architecture search for mobile. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 2820–2828.

Wang, S., Sun, L., Fan, W., Sun, J., Naoi, S., Shirahata, K., Fukagai, T., Tomita, Y., Ike, A., and Hashimoto, T. (2017). An automated cnn recommendation system for image classification tasks. In 2017 IEEE International Conference on Multimedia and Expo (ICME), pages 283–288. IEEE.

Yong, X., Feng, D., Rongchun, Z., and Petrou, M. (2005). Learning-based algorithm selection for image segmentation. Pattern Recognition Letters, 26(8):1059–1068.

Zoph, B., Vasudevan, V., Shlens, J., and Le, Q. V. (2018). Learning transferable architectures for scalable image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 8697–8710.
Publicado
20/10/2020
DIAS, Lucas; MIRANDA, Péricles; NASCIMENTO, André; CORDEIRO, Filipe; MELLO, Rafael; PRUDÊNCIO, Ricardo; OLIVEIRA, Ricardo. Extração de Meta-Características de Conjuntos de Dados de Imagens para Seleção de Redes Neurais Convolucionais. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 17. , 2020, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 13-22. ISSN 2763-9061. DOI: https://doi.org/10.5753/eniac.2020.12113.

Artigos mais lidos do(s) mesmo(s) autor(es)