Resumen

A los algoritmos de clasificación les resulta más difícil identificar correctamente los objetos muy ocluidos que los no ocluidos. Sin embargo, este efecto es poco frecuente y, por tanto, difícil de medir con conjuntos de datos como ImageNet y PASCAL VOC, debido a los sesgos en la selección de poses de imágenes generadas por humanos. Presentamos un conjunto de datos que hace hincapié en la oclusión y adiciones a una red neuronal convolucional estándar destinadas a aumentar la invariabilidad a la oclusión. Una red neuronal convolucional no modificada, entrenada y probada en el nuevo conjunto de datos, se degrada rápidamente hasta alcanzar un nivel de precisión casual a medida que aumenta la oclusión. El entrenamiento con datos ocluidos ralentiza este declive, pero sigue produciendo un rendimiento pobre con una oclusión elevada. La integración de nuevas etapas de preprocesamiento para segmentar los datos de entrada y evitar las oclusiones es una solución eficaz. Una red convolucional así modificada es casi tan eficaz con más del 81% de los píxeles ocluidos como sin oclusión. Además, esta red es más precisa en las imágenes no ocluidas que una red idéntica entrenada sólo con imágenes no ocluidas. Estos resultados dependen del éxito de la segmentación. Las oclusiones de nuestro conjunto de datos son deliberadamente fáciles de segmentar de la figura y el fondo. Para obtener resultados similares en un conjunto de datos más difícil, habría que encontrar un método para dividir la figura, el fondo y los píxeles ocluidos en la entrada.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:red neuronal convolucional, imagen no ocluida, oclusión, nueva etapa de preprocesamiento, selección de la pose de la imagen, red convolucional, objeto no ocluido, conjunto de datos, resultados similares, conjunto de datos difícil
• Keywords:convolutional neural network, unoccluded image, occlusion, novel preprocessing stage, image pose selection, convolutional network, unoccluded object, dataset, similar results, challenging dataset