Dissertação
Deep Learning Methods for Processing Digitized Herbarium Specimens EVALUATED
Com centenas de colecções de herbários, actualmente em Museus de História Natural e outras instituições semelhantes, acumulou-se um valioso património. Recentes iniciativas iniciaram ambiciosos planos de preservação para digitalizar esta informação e disponibilizá-la aos botânicos e ao público em geral através de portais web. Esta informação é crucial para o estudo da diversidade vegetal, ecologia, evolução e genética. Um Herbário é uma colecção de espécimes de plantas preservadas e meta-dados utilizados para o estudo científico. O método de digitalização e catalogação utilizando a visão computacional, bem como as abordagens machine learning aplicadas às folhas de herbário, podem ambos ser considerados promissores, métodos recentes baseados em redes neurais profundas ainda não estão bem estudados para a resolução deste problema em comparação com outras áreas. Passaremos a projectar um modelo que pode ser utilizado para alcançar a próxima geração de precisão para a catalogação de Herbários. Para atingir este objectivo, exploraremos aplicar ao caso de estudo modelos e técnicas mais avançadas. Utilizaremos dois modelos para extrair informação útil para a catalogar as espécies, o modelo YOLOv4 que terá a tarefa de identificar as etiquetas presentes na folha em conjunto com um modelo Transformer que ira extrair os dados uteis para catalogação utilizando uma técnica de geração de texto condicionado em imagens. Os resultados obtidos foram pouco conclusivos, devido ao tipo de rede neuronal desenvolvida ser bastante recente. Em conclusão foi que o modelo e bom para dados estandardizado, mas falha por completo em dados do mundo real por serem demasiado aleatorios.
junho 15, 2022, 16:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Bruno Emanuel Da Graça Martins
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado
