Dissertação
Using Sensor Fusion for Parallel Image Classification - With non-unifom data sampling and distributed computations EVALUATED
Com o recente aumento da popularidade da aprendizagem profunda, as tarefas associadas ao reconhecimento de padrões receberam muita atenção por parte de várias equipas, sendo propostas numerosas soluções que atingem precisão quase perfeita em conjuntos de dados públicos. Combinado com os recentes avanços em hardware, estas soluções podem ser distribuídas nos dispositivos móveis, usados na área da robótica ou em aplicações da internet das coisas. Contudo, dada a natureza da aprendizagem profunda, os modelos resultantes tem camadas altamente interconectadas, que cria um desafio ao tentar implementar os modelos nas sistemas distribuídas. Neste tese propomos uma abordagem alternativa que usa aprendizagem convencional de máquina e permite execução paralela e distribuída na tarefa de classificação de imagens. Cada unidade que participe na classificação, recolhe dados de forma independente de outras unidades e só trabalho sobre um subconjunto das classes. De seguida, os resultados do trabalho de cada unidade são combinados com resultados doutras unidades para produzir uma classificação final. O uso de amostragem aleatória durante a aprendizagem e a classificação permite que a abordagem proposta neste trabalho seja mais resistente a transformações geométricas de imagens e ruído. Usando conjunto de dados de reconhecimento das flores, e aplicando uma distribuição normal multivariável durante amostragem de imagem para aprendizagem e para classificação, com classes representados pelos 1,024 vetores, cada com 256 elementos, aplicando algoritmo de k vizinho mais próximo com distancia linear e numero dos vizinhos igual ao 4, 20 imagens no conjunto de treino, classificação com precisão de 79.86% foi atingida.
novembro 13, 2019, 10:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Informática (DEI)
Professor Auxiliar