Extração de Meta-Características de Conjuntos de Dados de Imagens para Seleção de Redes Neurais Convolucionais

As Redes Neurais Convolucionais (RNCs) são a principal solução para a tarefa de classificação de imagens em diferentes aplicações. No entanto, a seleção da RNC mais adequada e de seus parâmetros para uma determinada base de imagens geralmente é realizada por tentativa e erro, o que pode levar muito tempo e custo computacional. Este artigo propõe o método Dataset2Vec e emprega o método de Meta-Aprendizado (MtA) para selecionar arquiteturas de RNCs para classificação de imagens. O Dataset2Vec adota uma rede neural profunda para extrair características de bases de imagens, incorporando-as em um único vetor. Para avaliar a solução proposta, adotou-se a seleção entre seis algoritmos da RNC para 45 bases de imagens de classificação binária. Os resultados mostraram que o MtA usando o Dataset2Vec superou os diferentes métodos baseline em todas as medidas de desempenho avaliadas, indicando que a proposta foi capaz de extrair recursos representativos dos conjuntos de dados de imagens para seleção de RNCs.