Avaliação de desempenho de uma rede neural convolucional para classificação de...

Este trabalho propõe a avaliação de desempenho de uma rede neural convolucional (CNN) no reconhecimento de imagens de dígitos numéricos corrompidos com ruído. Foi proposta uma rede profunda para classificação dos dígitos de 0 a 9 da base de dados MNIST, conjunto composto por imagens em escalas de cinza de dimensão 28x28, totalizando 60 mil imagens para treino e 10 mil imagens para teste. Foram gerados conjuntos de teste, a partir da base MNIST, corrompidos com ruídos do tipo gaussiano, impulsivo (sal e pimenta) e speckle. Usando a rede treinada com imagens sem ruído, sua robustez foi avaliada para os diferentes tipos de ruído, demonstrando uma drástica redução da acurácia para todos os casos. Em seguida, a rede foi treinada novamente, porém com adição desses três tipos de ruído no conjunto de treino separadamente. Os ruídos foram adicionados em diferentes proporções (quantidade de ruído e quantidade de imagens contaminadas) e para cada combinação, a rede foi treinada e testada. Além disso, para efeitos de comparação, a rede também foi avaliada com treinamento sem adição de ruído, porém utilizando-se técnicas convencionais de filtragem no conjunto de teste. As acurácias obtidas com a adição de ruído no treino aumentaram em até 80% para os ruídos gaussiano e impulsivo e 50% para o ruído speckle, superando o método de filtragem e se aproximando da capacidade de reconhecimento do ser humano. Isto é, apesar da CNN ser especializada em características de formatos devido sua natureza de filtragem, pode aprender informações estatísticas e aleatórias como as geradas por ruído.

Título em Inglês

Performance evaluation of a convolutional neural network for classification of noisy images

Palavras-chave em Inglês

Convolutional neural network
Noise
Image classification
Deep network

Resumo em Inglês

This study proposes the performance evaluation of a Convolutional Neural Network (CNN) for recognizing handwritten numerical digits images corrupted by noise. It was proposed a deep network for the classification of the 0 to 9 digits from the MNIST database, which is a set composed of 28x28 dimension grayscale images, totalizing 60 thousand training images and 10 thousand test images. Corrupt test sets were generated, from the MNIST database, with Gaussian, impulsive (salt and pepper) and speckle noise. By using the trained network with images without noise, its robustness was evaluated for the different types of noise, showing a drastically accuracy reduction for all the noise types. Then, the network was trained again, however adding to the training set these three types of noise separately. The noises were added in different proportions (amount of noise and amount of corrupted images) and for each combination, the network was trained and tested. In addition, for comparison purposes, the network was also evaluated with training without noise addition, but using conventional filtering techniques in the test set. The accuracies obtained with the addition of noise in the training have increased in up to 80% for the Gaussian and impulsive noise, and 50% for the speckle noise, overcoming the filtering method and reaching the human capacity of recognition. That is, notwithstanding the CNN be specialized in shape features due their filters nature, it can learn statistical and random information as those generated by noise.

Arquivos

AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome(s) do(s) autor(es) do trabalho.

Faccini_Fabio_Augusto_Goncalves_tcc.pdf (1.41 Mbytes)

Data de Publicação

2019-02-07

Número de visitas

553

Número de downloads

236