Dissertação

Deep Learning Based Visual Attention Models for Salient Object Recognition EVALUATED

Os métodos de processamento de imagem sofreram grandes avanços nas últimas décadas. No entanto, ainda são computacionalmente muito dispendiosos. Por esta motivo, atualmente têm sido pesquisadas abordagens biologicamente inspiradas de forma a tornar o processamento de uma cena mais eficiente. Em particular, neste trabalho, propomos uma estrutura geral computacional inspirada pela visão humana. Esta framework é capaz de realizar tarefas de reconhecimento de objetos combinando Redes Neurais Convolucionais (CNNs) com técnicas de visão foveal. Ela integra duas metodologias dissociadas de atenção visual que podem ser realizadas sequencialmente: (1) um modelo de Saliência Foveal capaz de orientar o foco de atenção para as regiões de interesse, e (2) um modelo de Focagem Piramidal para realizar o reconhecimento de objetos quando o sistema já fixou o alvo. Usando uma partição do conjunto de dados de validação do ILSVRC 2012 e uma rede GoogLeNet pré-treinada, realizamos vários testes para avaliar o trade-off entre o desempenho do reconhecimento e o custo computacional e que parâmetros dos modelos o influenciam. Demonstramos que, usando o método de Saliência Foveal, há um aumento significativo no desempenho de classificação para objetos não centrados ao realizar pelo menos duas iterações sacádicas. Quanto ao modelo de Focagem Piramidal, embora o custo computacional aumente linearmente com o número de níveis de pirâmide, ele alcança consistentemente melhores resultados do que a abordagem clássica de redimensionar a imagem para o tamanho da rede. Esses resultados promissores destacam a importância do desenvolvimento de soluções visuais biomiméticas para tarefas visuais.
Atenção Visual, Redes Neuronais Convolucionais, Reconhecimento de Objetos, Foveação, Saliência, Pirâmide Gaussiana

Junho 26, 2019, 10:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

José Alberto Rosado dos Santos Vitor

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático

ORIENTADOR

Alexandre José Malheiro Bernardino

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado