Dissertação
Self-Supervised Visual Representation Learning With Customized Object Proposals EVALUATED
As metodologias de Self-supervised learning têm o potencial de melhorar o desempenho de algoritmos como deteção de objetos, classificação de imagem e mais, uma vez que permitem a utilização de dados não anotados amplamente disponíveis para treino de redes neuronais. Algumas frameworks de self-supervised learning para aprendizagem de representações visuais recorrem ao uso de crops aleatórios. No entanto, estes crops podem não ser ótimos para o treino, por isso propomos utilizar deteção de objetos para obter regiões de imagens mais prováveis de conter objetos ou padrões de interesse, recorrendo a uma rede neuronal pre-treinada. Tentámos com este método determinar se crops em objetos de interesse são melhores que crops aleatórios para treino self-supervised de uma rede neuronal, mesmo que a deteção de objetos não seja sempre exata. Esta rede treinada pode depois ser utilizada para tarefas como deteção de objetos e segmentação de imagens 2D. As experiências foram realizadas no contexto de carros autónomos, treinando uma rede ResNet50, num subconjunto do dataset KITTI e subconjunto do dataset nuScenes, e avaliando os resultados transferindo os parâmetros aprendidos para uma tarefa de classificação de imagem, num dataset por nós construído, baseado no Cityscapes. Os resultados obtidos mostram que a nossa metodologia é benéfica para melhorar o desempenho da rede neuronal.
dezembro 2, 2022, 9:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Alexandre José Malheiro Bernardino
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado