Estudo e implementação de técnicas de aumento de dados para aplicações de redes neurais convolucionais

Abstract

As redes neurais artificiais (RNA’s), são sistemas computacionais cujos modelos são baseados nas estruturas do cérebro humano. Dentre os tipos de RNA’s existem as redes neurais convolucionais, também conhecidas como CNN’s. As Redes Neurais Convolucionais são treinadas a partir de imagens de conjuntos de dados de treinamento. A rede neural é tão boa quanto os dados que você alimenta. Porém, às vezes não é possível ter a quantidade de imagens suficientes para se obter uma precisão e acurácia julgadas necessárias para aplicação. Pensando em criar uma ferramenta que auxilie a melhorar os Datasets já existentes, foi criado um software com interface gráfica para gerar mais imagens utilizando as técnicas de aumento de dados. É um sistema executável que realiza transformações geométricas e adiciona ruído gaussiano. Esse sistema foi testado em relação às suas funcionalidades, tempo de geração de imagens e consumo de memória e capacidade de processamento. Nestes testes foi possível confirmar que utilizar este tipo de sistema é mais rápido, do que realizar a programação do aumento de dados durante a implementação de uma rede neural.

Artificial neural networks (ANNs) are computational systems whose models are based on the structures of the human brain. Among the types of ANNs there are convolutional neural networks, also known as CNNs. Convolutional Neural Networks are trained from images of training datasets. The neural network is only as good as the data you feed it. However, sometimes it is not possible to have the amount of images sufficient to obtain a precision and accuracy deemed necessary for the application. Thinking about creating a tool that helps to improve the existing Datasets, a software with a graphical interface was created to generate more images using the techniques of data augmentation. It is an executable system that performs geometric transformations and adds Gaussian noise. This system was tested in terms of functionality, imaging time, memory consumption and processing power. In these tests it was possible to confirm that using this type of system is faster than performing the data increase programming during the implementation of a neural network.