Dissertação
Addressing the Texture-Bias and Domain Generalization Performance of Convolutional Neural Networks for Simulation-Based Learning EVALUATED
As Redes Convolucionais tornaram-se a solução mais utilizada para resolver problemas de Visão por Computador. Graças a avanços em desempenho computacional e ao desenvolvimento de bibliotecas abertas de grande qualidade para aprendizagem profunda, automatizar uma tarefa de visão simples envolve apenas construir um conjunto de dados representativo, que simula as condições nas quais a rede será aplicada, e treinar uma rede adequada nesse conjunto de dados, com algumas considerações adicionais para evitar sobre-adaptar ou sub-adaptar a rede ao conjunto de dados. Este problema torna-se mais complexo quando o conjunto de dados de treino não representa inteiramente o ambiente no qual a rede deverá funcionar. Por exemplo, uma rede que é treinada num ambiente simulado poderá não funcionar bem quando é testada num ambiente real. Esta situação requer redes que sejam capazes de generalizar de forma mais profunda. As redes deverão ser robustas a alterações no seu ambiente. No caso de uma tarefa de visão, a rede deverá reconhecer a forma dos objetos em vez de reconhecer apenas as suas texturas, para poder reconhecer objetos em diferentes ambientes. Nesta tese iremos explorar o funcionamento das Redes Convolucionais, os detalhes deste problema de generalização, diferentes estratégias para o abordar, e propomos um novo método de texturização aleatória de imagens, que reduz a dependência das redes em texturas e aumenta a sua sensibilidade à forma dos objetos.
janeiro 11, 2021, 12:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
