Rede Inception V3 Voltada a Identificação do Glaucoma: Comparação entre Métodos de Otimização
Resumo
Dentre os usos possíveis de Redes Neurais Convolucionais (RNCs) destaca-se o auxílio no diagnóstico precoce de diversas doenças, dentre elas o glaucoma, patologia que provoca danos ao nervo óptico e pode levar a perda permanente da visão. O glaucoma é a segunda doença que mais causa cegueira no mundo. Neste trabalho foi realizada uma comparação entre cinco métodos de otimização aplicados em uma RNC implementada com a arquitetura Inception V3 voltada a identificação de glaucoma através de imagens. É observado que, dentre os métodos testados, o recém proposto método Adabound obteve melhores resultados durante e após o treinamento da rede.
Referências
Hinton, G., Srivastava, N., & Swersky, K. (2012). Neural networks for machine learning lecture 6a overview of mini-batch gradient descent. Cited on, 14, 8.
Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Kingman, S. (2004). Glaucoma is second leading cause of blindness globally. Bulletin of the World Health Organization, 82, 887-888.
Leonardo, M. M., & Faria, F. A. (2017). Um Sistema de Reconhecimento de Espécies de Moscas-das-Frutas. Revista Eletrônica de Iniciação Científica em Computação, 17(2).
Luo, L., Xiong, Y., Liu, Y., & Sun, X. (2019). Adaptive gradient methods with dynamic bound of learning rate. arXiv preprint arXiv:1902.09843.
SOUSA, F. M. M. M. D. (2017). Uma Otimização do Perceptron Multicamadas Utilizando Aproximação Quadrática e Método de Ponto Proximal.
Sutskever, I., Martens, J., Dahl, G., & Hinton, G. (2013). On the importance of initialization and momentum in deep learning. In International conference on machine learning (pp. 1139-1147).
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2818-2826).
Taqi, A. M., Awad, A., Al-Azzo, F., & Milanova, M. (2018). The impact of multi-optimizers and data augmentation on TensorFlow convolutional neural network performance. In 2018 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR) (pp. 140-145). IEEE.
Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Kingman, S. (2004). Glaucoma is second leading cause of blindness globally. Bulletin of the World Health Organization, 82, 887-888.
Leonardo, M. M., & Faria, F. A. (2017). Um Sistema de Reconhecimento de Espécies de Moscas-das-Frutas. Revista Eletrônica de Iniciação Científica em Computação, 17(2).
Luo, L., Xiong, Y., Liu, Y., & Sun, X. (2019). Adaptive gradient methods with dynamic bound of learning rate. arXiv preprint arXiv:1902.09843.
SOUSA, F. M. M. M. D. (2017). Uma Otimização do Perceptron Multicamadas Utilizando Aproximação Quadrática e Método de Ponto Proximal.
Sutskever, I., Martens, J., Dahl, G., & Hinton, G. (2013). On the importance of initialization and momentum in deep learning. In International conference on machine learning (pp. 1139-1147).
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2818-2826).
Taqi, A. M., Awad, A., Al-Azzo, F., & Milanova, M. (2018). The impact of multi-optimizers and data augmentation on TensorFlow convolutional neural network performance. In 2018 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR) (pp. 140-145). IEEE.
Publicado
26/12/2019
Como Citar
RIBEIRO, Athyrson M.; ARAÚJO JUNIOR, Francisco de Paula S..
Rede Inception V3 Voltada a Identificação do Glaucoma: Comparação entre Métodos de Otimização. In: ESCOLA REGIONAL DE COMPUTAÇÃO APLICADA À SAÚDE (ERCAS), 7. , 2019, Teresina.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 1-6.
