Data Augmentation policies and heuristics effects over dataset imbalance for developing plant identification systems based on Deep Learning: A case study.
DOI:
https://doi.org/10.5335/rbca.v14i2.13487Palavras-chave:
Aprendizagem profunda, Dados aumentados, Reconhecimento de plantasResumo
O Data augmentation (DA) é uma estratégia amplamente conhecida para melhoria da eficácia em modelos de visão computacional, como Deep Convolutional Neural Networks (DCNN). Embora permita melhorar a generalização do modelo aumentando a diversidade de dados, neste trabalho propomos investigar seus efeitos em relação a duas fontes diferentes de desequilíbrio de conjunto de dados (ou seja, desequilíbrio de conteúdo e amostragem) em uma tarefa de reconhecimento de espécies de plantas. Avaliamos sistematicamente várias técnicas para gerar os conjuntos de dados aumentados usados para treinar os modelos DCNN que permitiram uma investigação completa sobre os efeitos da DA em termos de atenuação do desequilíbrio. Os resultados permitiram inferir que o aumento de dados permite mitigar os efeitos negativos relacionados à sub-representação causada principalmente pelo desequilíbrio do conjunto de dados.
Downloads
Downloads
Publicado
Edição
Seção
Licença
Todos os artigos estão licenciados com a licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional. Autores que publicam nesta revista concordam com os seguintes termos:
a) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
b) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
c) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
