arXiv:1905.03642

Classificação de espécies de peixe utilizando redes neurais convolucional

Andre G. C. Pacheco

제출 2019-05-09

원문 초록

Data classification is present in different real problems, such as recognizing patterns in images, differentiating defective parts in a production line, classifying benign and malignant tumors, among many others. Many of these problems have data patterns that are hard to identify, which requires more advanced techniques for resolution. Recently, several works addressing different artificial neural network architectures have been applied to solve classification problems. When the classification problem must be obtained through images, currently, the standard methodology is the use of convolutional neural networks. Thus, in this report convolutional neural networks are used to classify fish species. Classifica\c{c}\~ao de dados est\'a presente em diversos problemas reais, tais como: reconhecer padr\~oes em imagens, diferenciar pe\c{c}as defeituosas em uma linha de produ\c{c}\~ao, classificar tumores benignos e malignos, dentre diversas outras. Muitos desses problemas possuem padr\~oes de dados dif\'iceis de serem identificados, o que requer, consequentemente, t\'ecnicas mais avan\c{c}adas para sua resolu\c{c}\~ao. Recentemente, diversos trabalhos abordando diferentes arquiteturas de redes neurais artificiais v\^em sendo aplicados para solucionar problemas de classifica\c{c}\~ao. Quando a classifica\c{c}\~ao do problema deve ser obtida por meio de imagens, atualmente a metodologia padr\~ao \'e uso de redes neurais convolucionais. Sendo assim, neste trabalho s\~ao utilizadas redes neurais convolucionais para classifica\c{c}\~ao de esp\'ecies de peixes.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2105.03358v4eess.IV공통 태그 General Classification공식 코드 · Papers with Code

소프트 어텐션을 통한 피부암 분류 성능 향상

Soft-Attention Improves Skin Cancer Classification Performance

임상 응용 분야에서 신경망(neural network)은 입력 영상에서 가장 중요한 영역에 집중하고 이를 강조할 수 있어야 합니다. 소프트 어텐션(Soft-Attention) 메커니즘은 신경망이 이러한 목표를 달성할 수 있도록 합니다. 본 논문에서는 심층 신경망 구조에서 소프트 어텐션의 효과를 조사합니다. 소프트 어텐션의 핵심 목적은 중요한 특징의 가치를 높이고 노이즈를 유발하는 특징을 억제하는 것입니다. 저자들은 피부 병변을 분류(classification)할 때 소프트 어텐션 메커니즘을 적용한 경우와 적용하지 않은 경우의 VGG, ResNet, InceptionResNetv2, DenseNet 구조의 성능을 비교합니다. 기존 네트워크에 소프트 어텐션을 결합했을 때 HAM10000 데이터셋(dataset) [25]에서 93.7%의 정밀도(precision)를 달성하여 기준선(baseline)[16]보다 4.7% 향상된 성능을 보였습니다. 또한, 소프트 어텐션 결합을 통해 ISIC-2017 데이터셋 [2]에서 기준선[31] 대비 민감도 점수를 3.8% 개선하며 91.6%를 달성했습니다. 코드는 GitHub에서 공개되어 있습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.