Aprimorando o desempenho das redes prototípicas em tarefas de classificação few-shot de imagens com a programação genética

• Processo: 22/06772-4
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2022
• Data de Término da vigência: 28 de setembro de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: João Paulo Papa
• Beneficiário: Giovani Candido
• Supervisor: Javier Del Ser Lorente
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Instituição Anfitriã: Fundación Tecnalia Research & Innovation, Espanha
• Vinculado à bolsa: 20/16092-5 - Ajuste de redes neurais prototípicas utilizando metaheurísticas, BP.IC
• Assunto(s): Aprendizado computacional Reconhecimento de padrões Classificação de imagens Meta-heurística Ferramentas de prototipagem Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: Metaheurísticas | Reconhecimento de Padrões | Aprendizado de máquina

Resumo

Ao longo dos anos, a classificação supervisionada de imagens fez avanços significativos. Os modelos de classificação, por sua vez, desenvolveram uma necessidade mais forte por bases de dados maiores. No entanto, em muitas situações, as imagens são escassas. Nesse contexto, o aprendizado de poucos tiros se destaca, pois permite que os modelos aprendam a partir de algumas amostras rotuladas. Em particular, um modelo promissor conhecido como Redes Prototípicas foi introduzido. Este modelo pode aprender um espaço métrico onde imagens semelhantes se reúnem, enquanto imagens diferentes se distanciam umas das outras. Neste espaço, um protótipo é calculado com a média de todos os vetores de características pertencentes à sua classe. Então, qualquer imagem de teste pode ser classificada encontrando o protótipo mais próximo de seu vetor de características. Porém, como o modelo assume que cada imagem tem o mesmo nível de importância no cálculo do protótipo da classe, levando a protótipos ruins em alguns casos, as Redes Prototípicas Ponderadas foram propostas. Este outro modelo emprega uma rede neural de três camadas para encontrar pesos para cada amostra de treinamento e leva-os em consideração para o cálculo do protótipo. No entanto, como se deseja melhorar o desempenho introduzindo os pesos, pode-se naturalmente enxergar uma tarefa de otimização onde o objetivo é minimizar as classificações errôneas. Sob essa suposição, o presente projeto levanta a hipótese de que empregar técnicas meta-heurísticas seria um melhor curso de ação, em comparação com a rede neural de três camadas. Para testar esta hipótese, o projeto pretende utilizar a Programação Genética, uma vez que é bem conhecida e relacionada ao projeto de pesquisa principal do aluno. Além disso, vale a pena mencionar que a abordagem será validada sob a supervisão do Prof. Javier Del Ser Lorente, o principal pesquisador que atua nas áreas de ciência de dados e otimização da Tecnalia, que é um dos maiores centros de pesquisa da Espanha. Além disso, para validar a abordagem proposta, o projeto fará uso não apenas de conjuntos de dados de uso geral, mas também de imagens endoscópicas, para que pudéssemos distinguir o esôfago de Barrett do adenocarcinoma. (AU)