Evolución de parámetros de optimización de redes neuronales profundas para el reconocimiento y clasificación de imágenes Público Deposited

The importance of the application of pattern recognition for image recognition becomes apparent when the number and complexity of images increases. Artificial neural networks have proven their effectiveness in tackling complex pattern problems in the last fifteen years or so and have evolved into deep, hybrid architectures. The construction of neural networks is divided into two stages; the training stage and the test stage, in these stages expert knowledge is needed for the selection and adjustment of the parameters of the neural networks. In this work we present the implementation of a system that optimizes the parameters of a deep neural network based on the state of the art by means of evolutionary computation and parallel computation. This deep Coarse-Fine neural network performs a parallel feeding of the patterns at different levels of granularity: fine, medium and coarse; seeking to form an analysis of the robust characteristic pattern applied to image recognition and classification. We have modified and oriented the deep network from which we started, from patterns of recognition of human activities (HAR), towards attacking the complexity of the images, with promising results of 99 % recognition in the tests carried out with the database MNIST. Two versions of the system were made; Sequential Evolutionary Algorithm and Parallel Evolutionary Algorithm, the latter based on the message passing communication model, using the MPI protocol. In addition, the use of graphic cards (GPU) and multiprocessor computer for the massive handling of operations. We end with a set of system tests with different mechanisms applied to the system, analyzing and comparing the results with the state of the art. Keywords: CNN · Evolutionary Computation · Classifier · Optimization · Deep Learning · Pattern Recognition · HAR · Computer Vision · Genetic Algorithm · Parallel Computing · MPI.

La importancia de la aplicación del reconocimiento de patrones para el reconocimiento de imágenes, se hace notar cuando el número y la complejidad de las imágenes aumenta. Las redes neuronales artificiales han demostrado su efectividad para atacar problemas de patrones complejos en los últimos quince años aproximadamente y han evolucionado hacia arquitecturas híbridas y profundas. La construcción de las redes neuronales artificiales se ha dividido en dos etapas; la etapa de entrenamiento y la etapa de prueba, en la etapa de entrenamiento es necesario de conocimiento experto para la selección y ajuste de los parámetros de las redes neuronales artificiales. En este trabajo presentamos la implementación de un sistema construido con cómputo evolutivo y cómputo paralelo, que optimiza los parámetros de una red neuronal profunda gruesa-fina basada en el estado del arte. Esta red neuronal profunda gruesa-fina realiza una alimentación paralela de los patrones a diferentes niveles de granularidad: fina, mediana y gruesa; buscando conformar un análisis del patrón característico robusto aplicado al reconocimiento y clasificación de imágenes. La red neuronal profunda de la cual partimos, se ha modificado y orientado, de patrones de reconocimiento de actividades humanas (HAR), hacia atacar la complejidad de las imágenes, con resultados prometedores del 99 % de reconocimiento en las pruebas realizadas con la base de datos MNIST. Se realizaron dos versiones del sistema; Algoritmo evolutivo secuencial y Algoritmo evolutivo paralelo, este último basado en el modelo de comunicación de paso de mensajes, utilizando el protocolo MPI. Además, se utilizaron tarjetas gráficas (GPU) y computador multiprocesador para el manejo masivo de operaciones. Finalizando con una sección de pruebas del sistema, con diferentes bases de datos de reconocimiento de actividad humana y de imágenes, analizando y comparando los resultados con el estado del arte. Palabras Clave: RNC · Cómputo evolutivo · Clasificación · Optimización · Aprendizaje profundo · Reconocimiento de patrones · HAR · Reconocimiento de imágenes · Algoritmo genético · Cómputo paralelo · MPI

Relacionamentos

No conjunto administrativo:

Descrições

Nome do AtributoValores
Creador
Colaboradores
Tema
Editor
Idioma
Identificador
Palavra-chave
Año de publicación
  • 2022
Tipo de Recurso
Derechos
División académica
Línea académica
Licencia
Última modificação: 04/04/2023
Citações:

EndNote | Zotero | Mendeley

Unid