Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMinussi, Carlos Roberto-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.creatorNunes, Ricardo Fernando-
Data de aceite: dc.date.accessioned2025-08-21T15:09:52Z-
Data de disponibilização: dc.date.available2025-08-21T15:09:52Z-
Data de envio: dc.date.issued2024-08-26-
Data de envio: dc.date.issued2024-08-26-
Data de envio: dc.date.issued2024-08-02-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/257176-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/257176-
Descrição: dc.descriptionCom o recente desenvolvimento de grandes bancos de dados e do processamento paralelo, entre outras facilidades computacionais, as Redes Convolucionais Profundas, com sua alta precisão de classificação, ganharam muitos destaques em tarefas de visão computacional. Estas redes retém uma grande quantidade de conhecimento, pois, normalmente, são treinadas de forma otimizada com muitas imagens, o que demanda um longo período. Entretanto, em suas formas clássicas, utilizam o algoritmo de retropropagação e, portanto, apresentam fragilidades como, esquecimento catastrófico, alucinação e passividade a ataques adversários. Por outro lado, as técnicas de transferência de conhecimento possibilitam aproveitar o vasto conhecimento retido nestas redes e utilizar, por exemplo, uma rede neural da família da Teoria da Ressonância Adaptativa como um agente classificador. Este estudo propõe um modelo, denominado de VGG ARTMAP Fuzzy, que utiliza a arquitetura VGG-16 para extração de características de imagens e uma rede neural ARTMAP Fuzzy para a classificação. O modelo é testado por meio de simulações com bancos de dados relativos à diferentes aplicações de problemas de visão computacional e seu desempenho é validado tanto pela acurácia de suas respostas em testes quanto aos tempos de treinamento e teste.-
Descrição: dc.descriptionWith the recent development of large databases and parallel processing, among other computational facilities, Deep Convolutional Networks, with their high classification accuracy, have gained much prominence in computer vision tasks. These networks retain a large amount of knowledge because they are usually trained in an optimized way with many images, which requires a long period of time. However, in their classical forms, they use the backpropagation algorithm and, therefore, present weaknesses such as catastrophic forgetting, hallucination and passivity to adversarial attacks. On the other hand, knowledge transfer techniques make it possible to take advantage of the vast knowledge retained in these networks and use, for example, a neural network from the Adaptive Resonance Theory family as a classifying agent. This study proposes a Fuzzy VGG ARTMAP model, which uses the VGG-16 architecture for image feature extraction and a Fuzzy ARTMAP neural network for classification. The model is tested through simulations with databases related to different applications of computer vision problems and its performance is validated both by the accuracy of its responses in tests and by the training and testing times.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectRede convolucional profunda-
Palavras-chave: dc.subjectTeoria da ressonância adaptativa-
Palavras-chave: dc.subjectClassificação de imagem-
Palavras-chave: dc.subjectDeep learning network-
Palavras-chave: dc.subjectAdaptive resonance theory-
Palavras-chave: dc.subjectImage classification-
Título: dc.titleClassificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa-
Título: dc.titleImage classification based on deep learning and adaptive resonance theory-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.