Interpretação de Imagens

Apresentação em tema: "Interpretação de Imagens"— Transcrição da apresentação:

1 Interpretação de Imagens
Trabalho

2 Desafio Classificação de imagens Estratégias a serem avaliadas
10 classes distintas 100 imagens por classe. Estratégias a serem avaliadas Criação de um classificador SVM com base nas 827 características de cor/textura fornecidas. Utilizar técnica de seleção de características e retreinar o classificador criado no passo anterior. Utilizar características extraídas com modelo CNN (rede profunda) pré-treinado na base ImageNet. Também utilizar SVM como classificador.

3 Vetor de Características Fornecido
Descritores baseados em: Cor Texture Histograma de cores 256 entradas para cada canal de cor (R, G e B); Textura Local Binary Patterns (LBP) Uniforme – histograma com 59 entradas Tamanho total do vetor: 827 Nada foi considerado com relação a forma.

4 Criando um Classificador Inicial
Aprendizagem Supervisionada Indução a partir de base de exemplo rotulados Vetor com 827 features (hand-crafted) Algoritmo de indução: SVM (Máquina de Vetor de Suporte) Ferramenta: Scykit Learn (Python) ou Weka.

5 Seleção de Características
Evitar Problema: Maldição da dimensionalidade Abordagens de seleção: Métodos baseados em Filtros Estatística é usada no ranqueamento das características. Exemplo: Entropia, perplexidade, coeficiente de correlação, ganho de informação (usado em árvores C4.5), dentre outros ... Métodos Wrapper Baseado em método de busca. Escolha da característica com base na acurácia do classificador. Exemplos: uso de método guloso, AG (busca Algoritmo Genético) ou hill-climbing, com heurística baseada na acurácia do classificador. Métodos Embutidos Baseados em regularização (penalização). Escolha das características durante a criação do modelo. Link interessante:

6 Deep Models (CNN) Uso de redes neurais convolucionais
CNN pré-treinada para extração de características: Ajuste fino de CNN pré-treinada Não para este trabalho, mas ainda é possível congelar as camadas convolucionais da CNN, alterar a última camada considerando o número de classes do seu problema e retreinar a CNN alterando os pesos da parte full-conected.