Robust visual recognition with deep neural networks

Abstract

La confianza sobre herramientas automáticas para el análisis de patrones visuales depende del rendimiento de estos métodos, su robustez frente a perturbaciones en los datos y la interpretabilidad de sus resultados. En el caso de imágenes médicas, un método robusto a perturbaciones que pueda superar los desafíos inherentes a la tarea (datos limitados, gran varianza entre clases, imágenes volumétricas, etc.) sería una poderosa herramienta para ayudar expertos médicos y, por lo tanto, mejorar el diagnóstico y la selección del tratamiento. En imágenes naturales y videos, estos métodos podrían ser aplicados en escenarios de la vida real cuya seguridad es un aspecto crítico. En esta tesis proponemos realizar un análisis profundo de la robustez de redes neuronales aplicadas en distintos escenarios. Específicamente, proponemos estrategias para evaluar y mejorar la robustez de algoritmos diseñados para múltiples tareas en el dominio médico, de imágenes naturales y videos.