Análisis comparativo de arquitecturas de redes neuronales para la clasificación de imágenes
Fecha:
01/2020Palabra clave:
Tipo de Ítem:
masterThesis
Resumen:
La clasificación de imágenes ha sido una de las principales áreas de investigación dentro del
campo de visión artificial. Desde hace algo más de una década ha estado dominado por las
redes neuronales convolucionales, CNN, que a pesar de los buenos resultados y grandes
éxitos que han cosechado, sufren de varios inconvenientes. Para solventar estos problemas,
recientemente se ha desarrollado un nuevo algoritmo de redes neuronales llamado redes de
cápsulas (CapsNet) basado en vectores y en un nuevo algoritmo de entrenamiento llamado
algoritmo de enrutamiento dinámico, de manera que podría mejorar los resultados de
conocidas arquitecturas para la clasificación de imágenes como lo son las redes neuronales
convolucionales. En este estudio se ha probado el rendimiento de esta nueva arquitectura, y
se ha comparado con una arquitectura convolucional basada en bloques residuales. Para
contrastar los resultados se han usado conjuntos de datos de distintas complejidades (MNIST,
Fashion-MNIST, COIL-100 y CIFAR-10). A pesar de la buena perspectiva teórica que ofrece
este nuevo modelo en la teoría, los resultados obtenidos todavía no son lo esperados en
cuanto se manejan conjuntos de datos con cierta complejidad. Con MNIST y muy cerca,
Fashion-MNIST sí se han mejorado los resultados, mientras que con los conjuntos de datos
más complejos (COIL-100 Y CIFAR-10), los resultados no han sido los esperado.
Descripción:
Image classification has been one of the main research areas within the field of artificial vision.
For more than a decade it has been dominated by convolutional neural networks, CNN,
although the good results and great successes they have achieve, they have the risk of several
drawacks. To solve these problems, a new neural network algorithm called capsule networks
(CapsNet) based on vectors, and a new training algorithm called dynamic routing algorithm
has recently been developed, so that it could improve the results of known architectures for
the classification of images, like convolutional neural networks. In this study we have tested
the performance of this new architecture, and we have compared it with a convolutional
architecture based on residual blocks. To contrast the results we have used datasets of
different complexities (MNIST, Fashion-MNIST, COIL-100 and CIFAR-10). Despite the good
theoretical perspective offered by this new model in theory, the results are not yet expected as
soon as we handle datasets with some complexity. The results have been improved with
Lara Moreno Díaz-Alejo Máster Universitario en Inteligencia Artificial
Análisis comparativo de arquitecturas de redes neuronales para la clasificación de imágenes. [5]
MNIST and almost with Fashion-MNIST, while with more complex datasets (COIL-100 and
CIFAR-10) the results have not been as expected.
Ficheros en el ítem
