A Study of Deep Learning Methods for Image Classification

Abstract

[ES] En este proyecto se implementarán métodos de aprendizaje profundo basados ​​en redes neuronales convolucionales (CNN) para problemas de clasificación de imágenes. El aprendizaje profundo (AP) es un enfoque de aprendizaje automático que se ha estudiado cada vez más como un método adecuado para muchos problemas complejos. Este enfoque ha demostrado capacidad y versatilidad para empaquetar diferentes pasos del proceso de clasificación y reconocimiento de patrones. Sin embargo, también se conocen los altos requisitos de AP de datos etiquetados para el entrenamiento y la carga computacional para el procesamiento. Analizaremos el ajuste de los parámetros en las diferentes capas de CNN: imagen, convolucional, normalización por lotes, ReLU, agrupación máxima, totalmente conectado, software y clasificación. Los datos de imagen empleados en este proyecto se extraerán de un repositorio de base de datos disponible públicamente. Los resultados de las CNNs se compararán con los métodos convencionales de clasificación, como el análisis discriminante lineal (LDA), el análisis discriminante cuadrático (QDA) y la máquina de vectores de soporte (SVM). La calidad de los resultados de la clasificación se evaluará utilizando varios índices como precisión, precisión equilibrada, matriz de confusión,¿ Además, se estimará el coste computacional para los diferentes casos de clasificación.

[EN] This project will implement deep learning methods based on convolutional neural networks (CNN) for image classification problems. Deep learning (DL) is a machine learning approach that has been increasingly studied as a suitable method for many complex problems. This approach has demonstrated capability and versatility to package different steps of the classification and pattern recognition process. However, it is also known the high requirements of DL of labeled data for training and computational burden for processing. We will analyze the tuning of the parameters at the different layers of CNN: image, convolutional, batch normalization, ReLU, max pooling, fully connected, softmax, and classification. The image data employed in this project will be drawn from a publicly available database repository. CNN results will be compared with conventional methods of classification such as linear discriminant analysis (LDA), quadratic discriminant analysis (QDA), and support vector machine (SVM). The quality of classification results will be evaluated using several indices such as accuracy, balanced accuracy, confusion matrix, ¿ Besides, computational cost for the different cases of classification will be estimated.