Redes neurais convolucionais semi-supervisionadas aplicadas a mudança de domínio.

• Ano de defesa: 2022
• Autor(a) principal: Bassani, Cristiano Neia de Oliveira
• Orientador(a): Bugatti, Pedro Henrique
• Banca de defesa: Paschoal, Alexandre Rossi , Silva, Marcelo Ponciano da , Bugatti, Pedro Henrique
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Cornelio Procopio
• Programa de Pós-Graduação: Programa de Pós-Graduação em Informática
• País: Brasil
• Palavras-chave em Português: Redes neurais (Computação); Programas de aprendizado; Inteligência computacional; Neural networks (Computer science); Apprenticeship programs; Computational intelligence
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/30599

Dentre as muitas dificuldades observadas dentro de áreas afins da inteligência computacional, algumas se sobressaem devido a sua similaridade de ocorrência na grande maioria dos casos. Dentro desta área, e em específico dentro do processo de treinamentos de algoritmos de aprendizagem de maquina, um empecilho recorrente e a obtenção de amostras suficientes para realizar o treinamento dos algoritmos, bem como o gasto temporal e custoso de rotulação manual de amostras. Assim, com o intuito de mitigar tal problema, se propõe o uso de técnicas de aprendizado de máquina semi-supervisionado aplicado ao contexto de mudança de domínios em imagens atrelado a redes neurais convolucionais. Para tanto, foram realizados experimentos utilizando duas abordagens semi-supervisionadas (Self-Training e Co-Training) em conjunto redes neurais por convolução. Além disso, os experimentos foram realizados em 3 conjuntos de imagens públicos. Em suma, as contribuições do presente trabalho se apresentam como o desenvolvimento de diferentes arquiteturas de aprendizagem de maquina Semi- Supervisionada, a aplicação de Fine-Tuning e classificação de bases sobre diferentes domínios os ganhos computacionais provenientes da utilização das técnicas Semi-Supervisionadas, as aplicabilidades do processo de Transfer Learning dentro da Aprendizagem de Maquina e por fim, os resultados obtidos das métricas de avaliação aplicadas sobre os diferentes datasets utilizados.