Use of data augmentation with Generative Adversarial Networks (GANS) to improve object detection

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMorais, Erikson Freitas de-
Autor(es): dc.contributorMorais, Erikson Freitas de-
Autor(es): dc.contributorBorges, Helyane Bronoski-
Autor(es): dc.contributorSiqueira, Hugo Valadares-
Autor(es): dc.creatorSoares, Gilson Junior-
Data de aceite: dc.date.accessioned2025-08-29T12:36:26Z-
Data de disponibilização: dc.date.available2025-08-29T12:36:26Z-
Data de envio: dc.date.issued2024-11-06-
Data de envio: dc.date.issued2024-11-06-
Data de envio: dc.date.issued2023-05-23-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/35399-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1098509-
Descrição: dc.descriptionCurrently, object detection is performed most often using Deep Learning models. Although this type of model performs well in different scenarios, one of its problems is the need for a large and representative dataset for training. In cases where the domain of the data seen while using the detector is slightly different from the data present in training, its performance may drop. In these cases, it may be necessary that the data used for training also present images of the second domain, although its object is the same in both(detection of the same objects). Considering that the acquisition and annotation of new data is an expensive and time-consuming process, this work evaluated the use of an adversarial generative model to perform the translation of data from one domain to another, thus performing data augmentation. With the augmented data, the test was performed on an object detector trained with and without the new data, and its performance was compared. The results were promising, showing an improvement in the accuracy of the detector on large objects, but also a worse performance on small objects, given the difficulty encountered by the translation model when translating small objects from one domain to another.-
Descrição: dc.descriptionAtualmente, a detecção de objetos e realizada com mais frequência usando modelos de Deep Learning. Embora esse tipo de modelo tenha bom desempenho em diferentes cenários, um de seus problemas e a necessidade de um conjunto de dados grande e representativo para o treinamento. Nos casos em que o domínio dos dados vistos durante o uso do detector e ligeiramente diferente dos dados presentes no treinamento, seu desempenho pode cair. Nestes casos, pode ser necessário que os dados utilizados para treinamento também apresentem imagens do segundo domínio, embora seu objetivo seja o mesmo em ambos (detecção dos mesmos objetos). Considerando que a aquisição e anotação de novos dados e um processo caro e demorado, este trabalho avaliou o uso de um modelo generativo adversarial para realizar a tradução de dados de um domínio para outro, realizando assim o aumento de dados. Com os dados aumentados, o teste foi realizado em um detector de objetos treinado com e sem os novos dados, e seu desempenho foi comparado. Os resultados foram promissores, mostrando uma melhora na precisão do detector em objetos grandes, mas também um pior desempenho em objetos pequenos, dada a dificuldade encontrada pelo modelo de tradução ao traduzir objetos pequenos de um domínio para outro.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Ciência da Computação-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectDetecção de objetos-
Palavras-chave: dc.subjectAprendizagem-
Palavras-chave: dc.subjectAdversário gerativo redes (GANS)-
Palavras-chave: dc.subjectObject detection-
Palavras-chave: dc.subjectLearning-
Palavras-chave: dc.subjectGenerative Adversarial Networks (GANS)-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleUse of data augmentation with Generative Adversarial Networks (GANS) to improve object detection-
Título: dc.titleUtilização de data augmentation com Generative Adversarial Networks (GANS) para melhoria da detecção de objetos-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.