Integración de diferentes técnicas para visualizar la influencia de regiones de una imagen en su clasificación por una red neuronal

Título:

Integración de diferentes técnicas para visualizar la influencia de regiones de una imagen en su clasificación por una red neuronal

Autor:

Gardella Ruiz, Andrés Mauro

Otros autores / Colaboradores:

 Pons, Claudia Fabiana; [ Director/a]  Pérez, Gabriela; [ Codirector/a] 

Temas:

REDES NEURONALES; IMÁGENES; 

URL:

http://sedici.unlp.edu.ar/handle/10915/167594,

Palabras clave:

visualización, 

Nota de tesis:

Tesina (Licenciatura en Informática) - Universidad Nacional de La Plata. Facultad de Informática, 2024.

Extensión:

1 archivo (8,8 MB) : il. col.

Resumen:

Hoy en día es común la utilización, en múltiples ámbitos, de redes neuronales que permiten realizar actividades complejas como clasificación de imágenes. Tecnología muy útil debido a la información que provee, aunque en contextos sensibles, como el de la salud pública, es necesario poder entender y confiar en dicha información, ya que falta de precisión puede acarrear consecuencias negativas en términos generales. Debido a ala necesidad de comprender el funcionamiento y la toma de decisiones de las redes neuronales comienzan a surgir métodos y técnicas de visualización, que permiten visualizar neuronas para comprender mejor las decisiones tomadas por éstas en base a la información ingresada. El propósito de este trabajo es analizar varios de dichos métodos y en base a eso realizar un programa que simplifique tanto su utilización como la visualización de dichas explicaciones, haciendo que las técnicas para comprender el funcionamiento y decisiones de la red sean más accesibles.

Puede solicitar más fácilmente el ejemplar con: TES 24/14

Capítulo 1: Introducción
1.1 Motivación
1.2 Objetivos
1.2.1 Generales
1.2.2 Específicos
1.3 Resultados esperados
1.4 Estructura de la tesina

Capítulo 2: Información preliminar
2.1 Machine Learning
2.1.1 Problemas de Clasificación y Regresión
2.1.2 Datos de Entrenamiento y de Prueba
2.1.3 Métricas
2.2 Redes Neuronales y Deep Learning
2.3 Entrenamiento
2.3.1 Inicialización de pesos
2.3.2 Regularización
2.3.3 Batch size
2.3.4 Ratio de aprendizaje
2.3.5 Métodos de optimización
SGD
Momentum
RMSProp
Adam
2.3.6 Batch Normalization
2.4 Imágenes
2.5 Redes Neuronales Convolucionales (CNNs)
2.5.1 Estructura de las redes convolucionales
2.5.1.1 Capa convolucional
2.5.1.2 Capa de agrupación
2.5.1.3 Capa totalmente conectada

Capítulo 3: Visualización de Redes Neuronales Convolucionales
3.1 Mapeo de activación de clase (CAM)
3.2 Mapeo de activación de clases ponderado por gradiente (Grad-CAM)
3.3 Explicaciones Locales Interpretables Independientes del Modelo (LIME)
3.4 Explicaciones aditivas SHapley (SHAP)
3.5 Arquitecturas de CNNs consideradas
LeNet-5 [23]
VGG-16 [24]
ResNets [26]
Inception [27]
3.6 Transferencia de aprendizaje (Transfer Learning)

Capítulo 4: Desarrollo.
4.1 Implementaciones de los métodos de visualización
4.1.1 Método CAM
4.1.2 Método Grad-CAM
4.1.3 Método LIME
4.1.4 Método SHAP
4.2 Comparativa entre los métodos vistos para diferentes arquitecturas
4.2.1 Visualización sobre los resultados de VGG16
4.2.2 Visualización sobre los resultados de ResNet50
4.3 Conclusiones e información general

Capítulo 5: Herramienta propuesta
5.1 Herramientas y frameworks adicionales
● Framework para la aplicación web: Flask [40]
● Gestor de entornos - Miniconda [43]
● Librerías para uso de GPU - CUDA [45] y cuDNN[46]
5.2 Decisiones durante el desarrollo
5.3 Funcionamiento de la aplicación
5.3.1 Configuración del método SHAP
5.3.2 Configuración del método LIME
5.3.3 Configuración del método Grad-CAM
5.4 Procesamiento de la imagen

Capítulo 6: Conclusiones y trabajos futuros

Referencias