Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/54194
Tipo: | Dissertação |
Título: | Aprendizado de operadores de agregação do tipo média ponderada ordenada em redes neurais convolucionais |
Autor(es): | Leonam Rezende Soares de Miranda |
Primeiro Orientador: | Frederico Gadelha Guimarães |
Primeiro membro da banca : | Janier Arias García |
Segundo membro da banca: | Cristiano Leite de Castro |
Resumo: | Nas redes neurais convolucionais são realizadas operações de agregação nas camadas de convolução, pooling e nas densas completamente conectadas. Resultados promissores foram obtidos nos últimos anos ao utilizar operadores de agregação do tipo media ponderada ordenada, mais conhecidos como operadores OWA, para agregar dados dentro das redes neurais convolucionais. Há trabalhos recentes demonstrando que há um ganho de performance signiőcativo ao utilizar os operadores OWA, treinando os seus pesos, para realizar a operação de pooling, quando comparado com os operadores mais usuais (máximo e médio). Outros estudos demonstraram que os operadores OWA podem ser utilizados para aprender informações a partir do ordenamento dos canais de uma determinada camada, e as informações recém-geradas são usadas para complementar ou substituir os dados de entrada para a camada seguinte. O objetivo desta dissertação é analisar e combinar as duas ideias mencionadas. Vários testes foram feitos para avaliar a mudança de desempenho ao aplicar operadores OWA para classiőcar imagens, usando os modelos VGG13, Network in Network e AlexNet e os conjuntos de dados CIFAR-10 e CIFAR-100. |
Abstract: | In convolutional neural networks, aggregation operations are performed in the convolution, pooling and fully connected dense layers. Promising results have been obtained in recent years when using ordered weighted averaging operators, better known as OWA operators, to aggregate data within convolutional neural networks. There are recent works demonstrating that there is a performance gain when using OWA operators, training their weights, to perform the pooling operation, when compared with the most usual operators (maximum and average). Other studies have shown that OWA operators can be used to learn additional order-based information from the feature maps of a certain layer, and the newly generated information is used to complement or replace the input data for the next layer. The purpose of this dissertation is to analyze and combine the two mentioned ideas. Several tests were done to evaluate the performance change when applying OWA operators to classify images, using the VGG13, Network in Network and AlexNet models and the CIFAR-10 and CIFAR-100 datasets. |
Assunto: | Engenharia elétrica Redes neurais convolucionais Aprendizado profundo Otimização multiobjetivo |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Departamento: | ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
Curso: | Programa de Pós-Graduação em Engenharia Elétrica |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/54194 |
Data do documento: | 15-Fev-2023 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertacao_Leonam_Miranda_pdfA.pdf | Dissertação Leonam Miranda | 9.81 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.