Aluno: Danilo da Costa Pereira

Título: “Rede Neural Autoassociativa com Algoritmo Construtivo Otimizado para Processamento de Padrões Visuais”

Orientador: Prof. Bruno José Torres Fernandes

Data-hora: 29/agosto/2017 (15:00h)

Local: Escola Politécnica de Pernambuco – SALA I-5

Resumo:

"Redes neurais artificiais (RNA) são modelos computacionais inspirados no funcionamento do cérebro humano. Algumas de suas vantagens são a capacidade de lidar com problemas não-linearmente separáveis, a capacidade de adaptação e o aprendizado através do erro. Muitos desses modelos, em especial os de arquitetura profunda, se inspiram em alguns conceitos biológicos presentes no córtex visual humano, como o uso de hierarquia para processamento da informação visual e a presença campos receptivos e inibitórios. Com a adoção de campos receptivos, os modelos de RNA conseguem extrair características dos dados de entrada de maneira implícita, não necessitando de uma etapa prévia de processamento dos dados. Já o uso de campos inibitórios gera modelos de RNA menos sensíveis a leves distorções nos padrões de entrada. Além disso, existem algumas RNAs que conseguem aprender um dado padrão com apenas exemplos positivos. Elas são chamadas de RNAs autoassociativas ou autoencoders e se inspiram no conceito biológico de memória autoassociativa. Nesta abordagem, a RNA tenta reconstruir o padrão de entrada, com um mínimo de erro tolerado, em sua saída. Contudo, um problema comum dessa área é o de encontrar a melhor arquitetura da RNA para uma dada tarefa. Algoritmos construtivos são propostos no intuito de atenuar esse problema ao definir a arquitetura da RNA no próprio processo de aprendizado e evitar métodos ad hoc. Uma RNA introduzida recentemente para processamento de imagens, a Constructive Autoassociative Neural Network (CANet) adota todos os conceitos descritos anteriormente. Porém, seu algoritmo construtivo limita a quantidade de neurônios e a torna dependente do tamanho da imagem de entrada. Além disso, mesmo sendo uma RNA de arquitetura rasa, sofre com o problema de saturação e consequente perda do gradiente do erro, o que faz com que seu treinamento seja menos efetivo. Assim, se propõe a CANet-2, uma extensão da CANet, que adota um algoritmo construtivo modificado, que não limita o seu número de neurônios e faz com que a fase construtiva pare automaticamente. Ademais os neurônios na CANet-2 são constantemente atualizados e sua camada oculta usa a função de ativação softplus, uma aproximação suavizada da função Rectified Linear Unit (ReLU), a fim de atenuar o problema de perca do gradiente do erro. A CANet-2 foi avaliada nas tarefas de reconhecimento de expressões faciais e reconhecimento de face, alcançando uma taxa média de acerto superior a outros classificadores propostos na literatura."