A carregar...
Publicação
Otimização de redes convolucionais para classificação de imagens
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 10.08 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
As redes convolucionais têm demonstrado eficácia na resolução de diversos tipos de problemas,
nomeadamente classificação de imagens, reconhecimento ou localização de objetos,
reconhecimento de som, entre outros. A elevada robustez destas redes permite a sua difusão em
áreas de extrema importância para a sociedade, tal como a área biomédica, que inclui um vasto
conjunto de tarefas de análise de imagens e diagnóstico clínico.
Contudo, o sucesso destes modelos está dependente da identificação da estrutura e dos valores
de outros hiperparâmetros, que melhor se ajustam à resolução de um problema específico, sendo
que esta tarefa requer elevado esforço computacional e conhecimento pericial. De modo a
reduzir estas dificuldades, este trabalho propõe uma metodologia de otimização autónoma dos
hiperparâmetros de diferentes arquiteturas convolucionais.
A metodologia baseia-se na utilização do algoritmo de inteligência coletiva, Particle Swarm
Optimization (PSO), aplicado na otimização de quatro conhecidas arquiteturas convolucionais:
AlexNet, VGGNet, ResNet e DenseNet e para resolução de três problemas de diagnóstico
médico. Procurando-se identificar a solução que proporciona o melhor desempenho com a
menor complexidade possível.
Os resultados obtidos demonstraram a eficácia e a rapidez do PSO na identificação de soluções
efetivas, sendo alcançados resultados superiores comparativamente a outras abordagens, em
duas das três benchmarks em estudo.
A técnica ensemble proposta permitiu a obtenção de um F1Score macroAVG de 91.1% e de 96.6%, respetivamente, para as benchmarks Breast Histopathology e Colorectal Histopathology.
Os modelos estão disponíveis numa plataforma web que possibilita a realização de diagnósticos
de imagens biomédicas, através do uso e da partilha de modelos convolucionais na plataforma.
A plataforma demonstrou ser extremamente eficiente e célere na resposta ao diagnóstico de
imagens, sendo obtidas as previsões num intervalo inferior a 10 segundos. O seu acesso é
público e está disponível no repositório https://github.com/bundasmanu/ProjetoMestrado.
Descrição
Palavras-chave
Redes de convolução Inteligência coletiva Classificação de imagens Diagnóstico médico