Events Events

Back

Ciência da Computação promove defesa de dissertação nesta quarta (3)

O trabalho foi orientado pela professora Teresa Ludermir

O Programa de Pós-Graduação em Ciência da Computação da UFPE promove a defesa da dissertação “Aplicação de Redes Zero Shot Learning na Criação de Redes Generativas Adversárias de Tamanho Fixo”, nesta quarta-feira (3). O trabalho produzido pelo discente Navarro Balbino Alves, e orientado pela professora Teresa Bernarda Ludermir, será defendido na sala E423 do Centro de Informática (CIn) às 14h. A banca examinadora será composta pela orientadora e pelos professores Cleber Zanchettin (UFPE) e Luciano Demetrio Santos Pacífico (UFRPE).

Resumo

A utilização de redes neurais trouxe grandes avanços para o desenvolvimento de sistemas de processamento de imagens. Como exemplos, temos as Redes Neurais Convolucionais aplicadas a sistemas de classificação de imagens e as redes do tipo Generative Adversarial Networks (GAN), que permitem a geração de imagens sintéticas a partir de um conjunto inicial de treinamento. Apesar dos bons resultados alcançados por estes algoritmos, existem empecilhos para a utilização dessas metodologias quando se deseja trabalhar com um alto número de classes de imagens. Um deles é o fato de que a arquitetura deste tipo de rede aumenta juntamente com o número de classes utilizadas. Em redes convolucionais, por exemplo, existe um neurônio de saída para cada classe, de forma que a adição de uma classe nova aumenta o tamanho da última camada e consequentemente o número de pesos a serem otimizados. Algumas abordagens, como o modelo proposto em (Frome et al., 2013), permitem a construção de classificadores de imagens com tamanho fixo, que além de não exigirem mudanças na arquitetura, permitem que a rede classifique imagens de classes que não foram apresentadas na etapa de treinamento (Zero Shot Learning). O presente trabalho pretende estender este tipo de metodologia para redes do tipo GAN. De forma mais específica, representações densas de palavras serão utilizadas como entrada para a rede geradora e uma rede do tipo Zero Shot Learning será empregada como rede discriminadora. Esta metodologia permite que sejam geradas imagens de um número qualquer de classes sem alteração na arquitetura da rede. As redes aqui apresentadas foram treinadas utilizando a base de dados Cifar-100. Ao longo do desenvolvimento de tais redes, mostrou-se necessária a criação de abordagens para o aumento da variabilidade estatística da rede, de forma que também é proposta neste trabalho uma modificação do método Minibatch Normalization que produziu um aumento na variância das imagens geradas e também na estabilidade das mesmas, diminuindo o surgimento de figuras fortemente distorcidas. Além disso, também é proposta uma nova função de custo para treinamento de redes Zero Shot Learning que mostrou desempenhos superiores em situações com poucas classes de imagens, permitindo a utilização da abordagem apresentada mesmo em cenários com menos classes em comparação com a rede apresentada em (Frome et al., 2013), onde existiam 1.000 classes conhecidas.

Date of last modification: 01/07/2019, 13:14