Potencializando a classificação de imagens com eficiência e robustez através da FiberNet.

Resumo

Um modelo baseado em CNN que utiliza um
pequeno número de parâmetros treináveis pode trazer vários
benefícios importantes para diferentes domínios de
aplicação. Entre eles, podemos mencionar o processo de
treinamento mais rápido, o que significa que sua
implementação pode ser feita de forma mais eficiente e
rápida. Além deste, nós podemos citar também a redução
significativa na probabilidade de overfitting e a redução no
consumo dos recursos computacionais necessários para a
execução, o que pode ser muito útil em sistemas embarcados
e outros dispositivos com hardware limitado. Portanto, neste
artigo, nós propomos o modelo FiberNet, que é uma rede
neural convolucional (CNN) simples e eficiente que produz
um pequeno número de parâmetros treináveis e alta
velocidade de inferência. O objetivo principal é fornecer uma
alternativa eficiente para aplicações móveis, bem como
aplicações que requerem modelos compactos. Para avaliar a
eficácia da FiberNet, nós realizamos um estudo empírico
comparativo entre os resultados do nosso modelo e o
resultado de outros modelos que são considerados como o
estado da arte. Essa comparação foi realizada em dois
conjuntos de dados de imagens diferentes, um dos quais é o
conhecido conjunto de dados CIFAR10. Como resultado, o
modelo FiberNet obteve uma precisão de 96,25% no
conjunto de dados Sisal, 74,90% no conjunto de dados
CIFAR10 e foi o primeiro em total de parâmetros treináveis
com 754.345 (39,57% menor em relação ao segundo
colocado)