Feature augmentation based on manifold ranking and LSTM for image classification (R)

Autor(es)

Pereira-Ferrero, Vanessa Helena ; Valem, Lucas Pascotti ; Pedronette, Daniel Carlos Guimaraes

• Tipo de documento: Artigo Científico
• Fonte: EXPERT SYSTEMS WITH APPLICATIONS; v. 213, p. 16-pg., 2023-03-01.

Resumo

Image classification is a critical topic due to its wide application and several challenges associated. Despite the huge progress made last decades, there is still a demand for context-aware image representation approaches capable of taking into the dataset manifold for improving classification accuracy. In this work, a representation learning approach is proposed, based on a novel feature augmentation strategy. The proposed method aims to exploit available contextual similarity information through rank-based manifold learning used to define and assign weights to samples used in augmentation. The approach is validated using CNN-based features and LSTM models to achieve even higher accuracy results on image classification tasks. Experimental results show that the feature augmentation strategy can indeed improve the accuracy of results on widely used image datasets (CIFAR10, Stanford Dogs, Linnaeus5, Flowers102 and Flowers17) in different CNNs (ResNet152, VGG16, DPN92). The results indicate gains up to 20% and show the potential of the developed approach in achieving higher accuracy results for image classification. (AU)

• Processo FAPESP: 17/25908-6 - Aprendizado fracamente supervisionado para análise de vídeos no domínio comprimido em tarefas de recuperação e classificação para alertas visuais
• Beneficiário: João Paulo Papa
• Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• Processo FAPESP: 20/02183-9 - Aprendizado não supervisionado baseado em ranqueamento e aprendizado profundo em domínios diversos
• Beneficiário: Vanessa Helena Pereira Ferrero
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Processo FAPESP: 18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação
• Beneficiário: Daniel Carlos Guimarães Pedronette
• Modalidade de apoio: Auxílio à Pesquisa - Jovens Pesquisadores - Fase 2
• Processo FAPESP: 20/11366-0 - Suporte para ambiente computacional e execução de experimentos: aprendizado fracamente supervisionado e fusão de métodos de classificação
• Beneficiário: Lucas Pascotti Valem
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico