Banca de TCC – Matheus Ianzer Hertzog

UNIVERSIDADE FEDERAL DE PELOTAS
CENTRO DE DESENVOLVIMENTO TECNOLÓGICO
TRABALHO DE CONCLUSÃO DE CURSO

Apresentações Finais (2019/1)

An analysis of the regularizer Spreadout in image classification using deep neural networks
por
Matheus Ianzer Hertzog

Curso:
Ciência da Computação

Banca:
Ricardo de Araujo Matsumura (orientador(a))
Prof. Ulisses Brisolara Correa (coorientador(a))
Tiago Thompsen Primo
Pedro Ballester

Data: 04 de julho de 2019

Hora: 15:10

Local: Campus II, sala 106

Resumo do Trabalho:

Aprendizado de máquina é uma subárea da Ciência da Computação que visa a construção de algoritmos capazes de melhorar o seu desempenho em uma tarefa específica enquanto realiza a mesma, esses algoritmos dominaram tarefas como reconhecimento de voz, classificação de imagem, e processamento de linguagem natural. Redes neurais artificiais são os principais modelos computacionais da área de aprendizado de máquina e inicializar esses modelos não é uma tarefa trivial. Este trabalho visa revisar as principais técnicas de inicialização de redes neurais convolucionais e também incrementar a técnica Spreadout, que consiste em descorrelacionar filtros convolucionais a partir de alguma métrica especificada a priori. Para isso é realizado o estudo do Spreadout utilizando três métricas diferentes: correlação de Pearson, coeficiente de correlação RV, e distância euclidiana. E também é realizado a comparação das técnicas de inicialização tradicionais de redes neurais convolucionais com o Spreadout em duas arquiteturas de redes neurais convolucionais: AlexNet e WideResnet. É demonstrado através dos resultados obtidos que o Spreadout pode melhorar razoavelmente ou piorar a performance da rede em termos de acurácia final e tempo de convergência.