Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/35399
Título: Use of data augmentation with Generative Adversarial Networks (GANS) to improve object detection
Título(s) alternativo(s): Utilização de data augmentation com Generative Adversarial Networks (GANS) para melhoria da detecção de objetos
Autor(es): Soares, Gilson Junior
Orientador(es): Morais, Erikson Freitas de
Palavras-chave: Detecção de objetos
Aprendizagem
Adversário gerativo redes (GANS)
Object detection
Learning
Generative Adversarial Networks (GANS)
Data do documento: 23-Mai-2023
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Ponta Grossa
Citação: SOARES, Gilson Junior. Use of data augmentation with Generative Adversarial Networks (GANS) to improve object detection. 2023. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2023.
Resumo: Atualmente, a detecção de objetos e realizada com mais frequência usando modelos de Deep Learning. Embora esse tipo de modelo tenha bom desempenho em diferentes cenários, um de seus problemas e a necessidade de um conjunto de dados grande e representativo para o treinamento. Nos casos em que o domínio dos dados vistos durante o uso do detector e ligeiramente diferente dos dados presentes no treinamento, seu desempenho pode cair. Nestes casos, pode ser necessário que os dados utilizados para treinamento também apresentem imagens do segundo domínio, embora seu objetivo seja o mesmo em ambos (detecção dos mesmos objetos). Considerando que a aquisição e anotação de novos dados e um processo caro e demorado, este trabalho avaliou o uso de um modelo generativo adversarial para realizar a tradução de dados de um domínio para outro, realizando assim o aumento de dados. Com os dados aumentados, o teste foi realizado em um detector de objetos treinado com e sem os novos dados, e seu desempenho foi comparado. Os resultados foram promissores, mostrando uma melhora na precisão do detector em objetos grandes, mas também um pior desempenho em objetos pequenos, dada a dificuldade encontrada pelo modelo de tradução ao traduzir objetos pequenos de um domínio para outro.
Abstract: Currently, object detection is performed most often using Deep Learning models. Although this type of model performs well in different scenarios, one of its problems is the need for a large and representative dataset for training. In cases where the domain of the data seen while using the detector is slightly different from the data present in training, its performance may drop. In these cases, it may be necessary that the data used for training also present images of the second domain, although its object is the same in both(detection of the same objects). Considering that the acquisition and annotation of new data is an expensive and time-consuming process, this work evaluated the use of an adversarial generative model to perform the translation of data from one domain to another, thus performing data augmentation. With the augmented data, the test was performed on an object detector trained with and without the new data, and its performance was compared. The results were promising, showing an improvement in the accuracy of the detector on large objects, but also a worse performance on small objects, given the difficulty encountered by the translation model when translating small objects from one domain to another.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/35399
Aparece nas coleções:PG - Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
dataaugmentationgan.pdf9,25 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons