Uma abordagem humano no sistema para construção redes neurais convolucionais

Resumo

As redes neurais convolucionais (CNN) melhoraram muito as tarefas de reconhecimento de padrões de imagem, principalmente devido à sua capacidade de aprender features complexas (codificador). No entanto, a ausência de metodologias de design sob o controle de especialistas geralmente resulta em modelos de funcionalidade pouco transparente (como 'caixa-opaca') que são mais complexos do que o necessário. Este projeto visa desenvolver uma abordagem de ser humano no laço de aprendizado (do inglês human-in-the-loop) para construir o codificador de uma rede camada por camada sob supervisão de um especialista. A proposta estende o método anterior desenvolvido durante o trabalho de mestrado do beneficiário, que estima todos os filtros de um codificador com uma determinada arquitetura a partir de marcadores desenhados pelo especialista em regiões discriminativas de poucas imagens selecionadas. O método não requer grandes conjuntos de dados anotados, pois não depende de retropropagação. O projeto atual investigará soluções para cada etapa do processo: seleção de imagem representativa, marcação de regiões discriminativas (atenção), métodos para estimar filtros a partir dos marcadores e abordagens de informação visual para guiar a seleção de filtro pelo especialista camada por camada. Com isso, o especialista deve entender e controlar a complexidade do modelo para um determinado problema. Para validação, o projeto abordará a classificação de parasitos gastrointestinais a partir de imagens de microscopia - uma aplicação do mundo real na qual nosso grupo de pesquisa tem controle total sobre os processos de aquisição de imagens, anotação de dados e gerenciamento de dados. Para experiência internacional, parte do projeto (um projeto BEPE) será desenvolvido na Universidade de Rennes, sob a supervisão de Ewa Kijak, ou na Universidade de Utrecht, sob a supervisão de Alexandru Telea - ambos colaboraram com nosso grupo de pesquisa.