Um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas

Cunha, Francisco Fagner do Rego; http://lattes.cnpq.br/4017414575809629

Dissertação

Um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas

A utilização de armadilhas fotográficas é uma estratégia de monitoramento da vida selvagem que consiste na instalação de câmeras com sensores de movimento que, ao serem acionados, ativam a gravação de curtas sequências de imagens ou vídeos de animais, sem interferir em seu comportamento natural. Ess...

ver descrição completa

Autor principal:	Cunha, Francisco Fagner do Rego
Outros Autores:	http://lattes.cnpq.br/4017414575809629
Grau:	Dissertação
Idioma:	por
Publicado em:	Universidade Federal do Amazonas 2019
Assuntos:	Redes neurais Armadilhas fotográficas Aprendizagem de máquina Particionamento dos dados Monitoramento da vida selvagem Deep neural networks Camera traps Machine learning Dataset splitting Wildlife monitoring CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/7075

id	oai:https:--tede.ufam.edu.br-handle-:tede-7075
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-70752019-04-23T05:04:06Z Um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas Cunha, Francisco Fagner do Rego Santos, Eulanda Miranda dos http://lattes.cnpq.br/4017414575809629 http://lattes.cnpq.br/3054990742969890 Cristo, Marco Antônio Pinheiro de Carvalho, José Reginaldo Hughes Carvalho, André Luiz da Costa Redes neurais Armadilhas fotográficas Aprendizagem de máquina Particionamento dos dados Monitoramento da vida selvagem Deep neural networks Camera traps Machine learning Dataset splitting Wildlife monitoring CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO A utilização de armadilhas fotográficas é uma estratégia de monitoramento da vida selvagem que consiste na instalação de câmeras com sensores de movimento que, ao serem acionados, ativam a gravação de curtas sequências de imagens ou vídeos de animais, sem interferir em seu comportamento natural. Essas câmeras obtêm milhões de imagens, mas a extração de informação é tradicionalmente feita por humanos, tarefa que demanda tempo e é dispendiosa. Técnicas de aprendizado profundo são o estado da arte para extração de informações a partir de imagens e têm sido aplicadas em diversos trabalhos para a classificação de animais em imagens de armadilhas fotográficas. Como esses modelos têm alta capacidade de representação e podem facilmente memorizar toda a base de treinamento, deve-se evitar sobreposição de imagens muito semelhantes nas bases de treino e de teste, a fim de avaliar corretamente a capacidade de generalização dos modelos. Entretanto, a similaridade entre as imagens de armadilhas fotográficas obtidas em um mesmo local em curtos períodos de tempo tem recebido pouca atenção na literatura da área. O particionamento aleatório dos dados é a abordagem mais comum utilizada nos trabalhos que investigam a classificação de espécies em imagens de armadilhas fotográfica. Porém, esse tipo de abordagem pode gerar conjuntos de teste otimistas em relação às condições reais de utilização dos modelos, fato que pode implicar em uma avaliação superestimada dos modelos treinados e pode levar à tomada de decisões equivocadas. Considerando esse contexto, neste trabalho foi realizado um estudo sobre abordagens de particionamento de dados entre treino e teste em bases de classificação de espécies de animais em imagens de armadilhas fotográficas a fim de reduzir o viés otimista na construção de conjuntos de teste. Cenários reais de utilização foram simulados e avaliados para verificar se os conjuntos de teste conseguem evidenciar a capacidade de generalização dos modelos nessas condições. Como resultado, foi especificado um conjunto de recomendações para o particionamento dos dados para avaliação out-of-sample de modelos de acordo com o protocolo utilizado pelo projeto de armadilhas fotográficas. Camera traps are a strategy for wildlife monitoring, which consists on using cameras with motion sensors that, when triggered, start recording short sequences of images or videos of animals without disturbing their natural behavior. These cameras capture millions of images, but the information extraction is traditionally performed by humans, which is an expensive and time-consuming manual task. Deep learning techniques are the state of the art for extracting information from images and have been applied in several works to perform animal species classification in camera trap images. Since these models have high representation capacity and can easily memorize the entire training set, overlapping of very similar images in training and test sets should be avoided, in order to correctly evaluate the models generalization capacity. However, the possible high similarity between camera trap images obtained at the same place in short periods of time has not received a great deal of attention in the literature. The random data splitting is the the most widely used strategy in works dealing with animal species classification in camera trap images. Nevertheless, this strategy may generate optimistic test sets when compared to the actual conditions of use, which may result in an overestimated assessment of the trained model and may lead to wrong decisions. Therefore, we conduct in this work a study related to dataset splitting approaches for camera trap datasets, in order to reduce the optimistic bias of the test sets. Real usage scenarios were simulated and evaluated to verify whether or not the test sets are able to show the generalization capacity of the models under these conditions. As a result, a set of recommendations for dataset splitting on out-of-sample evaluation of models was specified according to the protocol used by the camera trap projects. CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior 2019-04-08T18:09:05Z 2019-04-01 Dissertação CUNHA, Francisco Fagner do Rego. Um Estudo sobre Abordagens para Avaliação Out-of-sample de Modelos de Classificação de Animais em Imagens de Armadilhas Fotográficas. 2019. 78 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus. https://tede.ufam.edu.br/handle/tede/7075 por Acesso Aberto application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática
institution	TEDE - Universidade Federal do Amazonas
collection	TEDE-UFAM
language	por
topic	Redes neurais Armadilhas fotográficas Aprendizagem de máquina Particionamento dos dados Monitoramento da vida selvagem Deep neural networks Camera traps Machine learning Dataset splitting Wildlife monitoring CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
spellingShingle	Redes neurais Armadilhas fotográficas Aprendizagem de máquina Particionamento dos dados Monitoramento da vida selvagem Deep neural networks Camera traps Machine learning Dataset splitting Wildlife monitoring CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO Cunha, Francisco Fagner do Rego Um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas
topic_facet	Redes neurais Armadilhas fotográficas Aprendizagem de máquina Particionamento dos dados Monitoramento da vida selvagem Deep neural networks Camera traps Machine learning Dataset splitting Wildlife monitoring CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
description	A utilização de armadilhas fotográficas é uma estratégia de monitoramento da vida selvagem que consiste na instalação de câmeras com sensores de movimento que, ao serem acionados, ativam a gravação de curtas sequências de imagens ou vídeos de animais, sem interferir em seu comportamento natural. Essas câmeras obtêm milhões de imagens, mas a extração de informação é tradicionalmente feita por humanos, tarefa que demanda tempo e é dispendiosa. Técnicas de aprendizado profundo são o estado da arte para extração de informações a partir de imagens e têm sido aplicadas em diversos trabalhos para a classificação de animais em imagens de armadilhas fotográficas. Como esses modelos têm alta capacidade de representação e podem facilmente memorizar toda a base de treinamento, deve-se evitar sobreposição de imagens muito semelhantes nas bases de treino e de teste, a fim de avaliar corretamente a capacidade de generalização dos modelos. Entretanto, a similaridade entre as imagens de armadilhas fotográficas obtidas em um mesmo local em curtos períodos de tempo tem recebido pouca atenção na literatura da área. O particionamento aleatório dos dados é a abordagem mais comum utilizada nos trabalhos que investigam a classificação de espécies em imagens de armadilhas fotográfica. Porém, esse tipo de abordagem pode gerar conjuntos de teste otimistas em relação às condições reais de utilização dos modelos, fato que pode implicar em uma avaliação superestimada dos modelos treinados e pode levar à tomada de decisões equivocadas. Considerando esse contexto, neste trabalho foi realizado um estudo sobre abordagens de particionamento de dados entre treino e teste em bases de classificação de espécies de animais em imagens de armadilhas fotográficas a fim de reduzir o viés otimista na construção de conjuntos de teste. Cenários reais de utilização foram simulados e avaliados para verificar se os conjuntos de teste conseguem evidenciar a capacidade de generalização dos modelos nessas condições. Como resultado, foi especificado um conjunto de recomendações para o particionamento dos dados para avaliação out-of-sample de modelos de acordo com o protocolo utilizado pelo projeto de armadilhas fotográficas.
author_additional	Santos, Eulanda Miranda dos
author_additionalStr	Santos, Eulanda Miranda dos
format	Dissertação
author	Cunha, Francisco Fagner do Rego
author2	http://lattes.cnpq.br/4017414575809629
author2Str	http://lattes.cnpq.br/4017414575809629
title	Um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas
title_short	Um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas
title_full	Um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas
title_fullStr	Um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas
title_full_unstemmed	Um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas
title_sort	um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas
publisher	Universidade Federal do Amazonas
publishDate	2019
url	https://tede.ufam.edu.br/handle/tede/7075
_version_	1781302429512368128
score	11.675608

Um estudo sobre abordagens para avaliação out-of-sample de modelos de classificação de animais em imagens de armadilhas fotográficas

Registros relacionados