| dc.contributor | CNPQ, CAPES, Fundação Araucária, SETI e UTFPR | pt-BR |
| dc.creator | Luigi Freitas Cruz; Universidade Tecnológica Federal do Paraná, Cornélio Procópio, Paraná, Brasil | |
| dc.creator | Pedro Henrique Bugatti; Universidade Tecnológica Federal do Paraná, Cornélio Procópio, Paraná, Brasil | |
| dc.creator | Priscila Tiemi Maeda Saito; Universidade Tecnológica Federal do Paraná, Cornélio Procópio, Paraná, Brasil | |
| dc.date | 2020-10-29 07:06:19 | |
| dc.date.accessioned | 2022-12-07T18:18:34Z | |
| dc.date.available | 2022-12-07T18:18:34Z | |
| dc.identifier | https://eventos.utfpr.edu.br//sicite/sicite2020/paper/view/7392 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/5308304 | |
| dc.description | Devido ao crescimento vertiginoso da internet, o tamanho dos conjuntos de dados coletados também atingiu proporções sem precedentes, desta forma, beneficiando os classificadores baseados em redes neurais. No entanto, redes neurais necessitam de uma grande quantidade de dados rotulados para serem treinadas. A classificação manual destes dados leva tempo e recursos, portanto, a tendência é que se torne inviável. Uma das soluções propostas para melhorar a eficiência dessa classificação é utilizar abordagens de aprendizado ativo. Tais abordagens utilizam o próprio classificador para selecionar amostras mais informativas ao aprendizado. Nesse sentido, diferentes critérios de seleção podem ser adotados. Portanto, este trabalho tem como objetivo avaliar o impacto na inclusão de abordagens de aprendizado ativo durante o processo de treinamento de redes neurais convolucionais. Para tanto, foi adotado o critério de incerteza por meio da heurística BALD (baseada em Monte-Carlo) para seleção das amostras. Foram realizados experimentos entre as abordagens de aprendizado supervisionado tradicional e de aprendizado ativo, utilizando a arquitetura VGG16 e o conjunto de dados CIFAR-10. De acordo com os resultados dos experimentos, os classificadores treinados com a abordagem de aprendizado ativo alcançaram uma acurácia Top-1 1.81% superior em relação ao classificador obtido pela abordagem tradicional. | pt-BR |
| dc.format | application/pdf | |
| dc.language | pt | |
| dc.publisher | Seminário de Iniciação Científica e Tecnológica da UTFPR | pt-BR |
| dc.rights | Autores que submetem a esta conferência concordam com os seguintes termos:<br /> <strong>a)</strong> Autores mantém os direitos autorais sobre o trabalho, permitindo à conferência colocá-lo sob uma licença <a href="https://creativecommons.org/licenses/by/4.0/">Licença Creative Commons-Attribution</a>, que permite livremente a outros acessar, usar e compartilhar o trabalho com o crédito de autoria e apresentação inicial nesta conferência.<br /> <strong>b)</strong> Autores podem abrir mão dos termos da licença CC e definir contratos adicionais para a distribuição não-exclusiva e subsequente publicação deste trabalho (ex.: publicar uma versão atualizada em um periódico, disponibilizar em repositório institucional, ou publicá-lo em livro), com o crédito de autoria e apresentação inicial nesta conferência.<br /> <strong>c)</strong> Além disso, autores são incentivados a publicar e compartilhar seus trabalhos online (ex.: em repositório institucional ou em sua página pessoal) a qualquer momento antes e depois da conferência. | |
| dc.source | Seminário de Iniciação Científica e Tecnológica da UTFPR; XXV Seminário de Iniciação Científica e Tecnológica da UTFPR | 0 |
| dc.subject | Engenharia da Computação | pt-BR |
| dc.subject | Aprendizado em máquina. Inteligência Artificial. Rede Neural. Visão computacional. | pt-BR |
| dc.title | Treinamento de Redes Neurais Convolucionais por Meio de Estratégias de Aprendizado Ativo | 0 |
| dc.type | Documento avaliado pelos pares | pt-BR |
