Clasificador Multiclase con Redes Neuronales Convolucionales

GUILLERMO RODRÍGUEZ; FRANCISCO IARUSSI; M. VIRGINIA CIFUENTES; MARTÍN LORENZO

Buenos Aires

Simposio; EST ? Concurso de Trabajos Estudiantiles; 2020

SADIO

El área de reconocimiento de imágenes ha cobrado considerable interés en los últimos años.Particularmente, la clasificación de imágenes en un conjunto discreto de etiquetas se ha convertido en untema de investigación en el que el uso de Aprendizaje Profundo ha logrado resultados muy superiores a losobtenidos por las clásicas técnicas de Procesamiento de Imágenes combinadas con Machine Learning. Estetrabajo explora la arquitectura de redes neuronales para conseguir un modelo capaz de reconocer un conjuntovariado de 30 especies de animales en su hábitat natural. Para cumplir el objetivo, se utilizaron técnicas deTransfer Learning y Fine Tuning para adaptar redes neuronales ampliamente usadas que han demostrado sereficaces y eficientes, tales como VGG-16, ResNet50 e InceptionV3. Previamente, se procesaron lasimágenes de un dataset, reduciendo su tamaño y extrayendo la región de interés. Asimismo, seimplementaron técnicas para evitar el overfitting como data augmentation , early stopping , decay ,reduceLROnPlateau y oversampling . Los resultados obtenidos fueron satisfactorios, tanto en métricas deerror y precisión, como en F1-Score y ROC-AUC, alcanzando valores muy cercanos a 1. Una vezalcanzados estos resultados se realizó un análisis para comprender los puntos débiles de los modelosobtenidos, utilizando t-SNE y matrices de confusión. Como conclusión, los principales errores se encuentranentre especies de animales muy similares en formas, tamaños, hábitat, colores y texturas que incluso para unhumano sería difícil diferenciar.