Redes Neurais Convolucionais (CNNs) se tornaram o estado da arte em diversas tarefas de visão computacional, em específico a classificação supervisionada. Isto se deve principalmente por serem agnósticas de domínio, funcionando bem para qualquer tipo de imagem desde que haja exemplos o suficiente. No entanto, elas podem incorrer em perda de informação, seja por motivos técnicos (a necessidade de um tamanho padronizado de imagens), seja pela própria indiferença ao domínio. Em diversos casos há conhecimento de especialistas, usado para construir classificadores tradicionais baseados em extração de características, que fica subaproveitado em abordagens de Deep Learning. Surge então a possibilidade de se reinserir esse connhecimento nos classificadores atuais. Neste trabalho propomos um modelo misto de CNN e classificador por extração de características. Descobrimos uma forma de treiná-lo e conseguimos resultados que superam a performance individual de ambas as abordagens.
Realizamos experimentos sobre um dataset de plâncton, se aproveitando do conhecimento de especialista já existente e compilado em diversos trabalhos de uma colaboração já existente entre o IME e o LAPS-IO (Laboratório de Estudos Planctônicos do Instituto Oceanográfico).
Palavras-chave: Visão Computacional, Deep Learning, Classificação de Plâncton.
Powered by w3.css