Além da transferência de aprendizado: Aproveitando imagens auxiliares na classificação automatizada de plâncton

Resumo Avaliamos se um algoritmo de aprendizado de máquina supervisionado, especificamente uma rede neural convolucional (CNN), alcança maior precisão na classificação de imagens planctônicas ao incluir imagens não planctônicas e auxiliares de plâncton durante o procedimento de treinamento. Focamos no caso de otimização da CNN para uma única fonte de imagem planctônica, considerando imagens auxiliares como imagens de plâncton de outros instrumentos. Realizamos dois conjuntos de experimentos com três tipos diferentes de imagens de plâncton (de um Zooglider, Underwater Vision Profiler 5 e Zooscan), e nossos resultados se mantiveram em todos os três tipos de imagem. Primeiro, consideramos se a transferência de aprendizado de estágio único usando imagens não planctônicas era benéfica. Para essa avaliação, usamos imagens do ImageNet e o modelo vencedor do concurso ImageNet de 2015, ResNet‐152. Encontramos uma precisão aumentada usando um modelo ResNet‐152 pré-treinado no ImageNet, desde que toda a rede fosse retrainada em vez de apenas as camadas totalmente conectadas. Em seguida, combinamos todos os três tipos de imagem de plâncton em um único conjunto de dados com 3,3 milhões de imagens (apesar de suas diferenças em contraste, resolução e pitch de pixel) e realizamos uma avaliação de transferência de aprendizado em várias etapas. Executamos uma etapa de transferência de aprendizado do ImageNet para o conjunto de dados auxiliar de plâncton mesclado, e então uma segunda etapa de transferência de aprendizado desse modelo de plâncton mesclado para um conjunto de dados de instrumento único. Descobrimos que a transferência de aprendizado em várias etapas resultou em ganhos adicionais de precisão. Esses resultados devem ter generalidade para outras tarefas de classificação de imagem.