Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.051
Aluno: Lucas de Lima Nogueira
Orientador: Prof. Fernando Maciano de Paula Neto
Co-orientador: Prof. Cleber Zanchettin
Título: Learning to Transfer What, Where and Which: Método de transfer
learning entre redes convolucionais de arquiteturas diferentes
Data: 12/09/2022
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Adriano Lorena Inacio de Oliveira (UFPE / Centro de Informática)
Prof. Bruno José Torres Fernande (UPE / Escola Politécnica de PE)
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
RESUMO:
Atualmente, os modelos de deep learning estão sendo utilizados para solucionar uma grande variedade de problemas. No entanto, esse tipo de algoritmo usualmente necessita de grandes quantidades de dados para alcançar bons desempenhos. Apesar do crescimento da quantidade de dados disponíveis devido à digitalização da informação, essa ainda não é uma realidade para diversos problemas, além da necessidade de um alto custo computacional, dependendo da complexidade envolvida. Nesse sentido, técnicas de transferência de aprendizagem vêm sendo desenvolvidas para transacionar essa barreira. Algumas técnicas propostas recentemente envolvem conectar camadas e/ou channels entre redes convolucionais, de forma a transferir o conhecimento de uma rede pré-treinada para uma nova. Neste trabalho, é proposto estender essa ideia, conectando unidades de ativação, além de camadas e channels, de forma a refinar a transferência de conhecimento, aumentando o desempenho do processo. Nesse sentido, foram realizados testes em diversos datasets e o método proposto se demonstrou superior ao método anterior em um cenário essencial de quantidade limitada de dados de treinamento, alcançando um aumento de até 3.75% na acurácia.
Palavras-Chave: Machine Learning, Transfer learning, CNN, Aprendizagem de Máquina
Comentários desativados