| Revista: | Computación y sistemas |
| Base de datos: | |
| Número de sistema: | 000560121 |
| ISSN: | 1405-5546 |
| Autores: | Seijas, César1 Montilla, Guillermo1 Frassato, Luigi1 |
| Instituciones: | 1Yttrium-Technology Corp, Sunrise, Florida. Estados Unidos de América 2Universidad de Carabobo, Facultad de Ingeniería, Valencia, Carabobo. Venezuela |
| Año: | 2019 |
| Periodo: | Ene-Mar |
| Volumen: | 23 |
| Número: | 1 |
| Paginación: | 257-266 |
| País: | México |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Resumen en español | En este artículo se describe un sistema identificador de especies de roedores usando herramientas computacionales del paradigma de aprendizaje profundo. Las especies identificadas son 4 tipos diferentes de roedores y la identificación se logra usando técnicas de inteligencia artificial aplicadas a imágenes de estos roedores en su hábitat natural. Estas imágenes fueron captadas, mediante sistemas de cámaras activadas en modo automático, ocultas en el hábitat natural de las especies en estudio, en condiciones, tanto, de luz del día como también nocturnas y etiquetadas por expertos. El conjunto de imágenes acopiada constituye el conjunto de datos para entrenamiento de tipo supervisado, de 1411 imágenes de 4 clases. El identificador desarrollado, es un clasificador multiclase, basado en el paradigma de aprendizaje profundo del amplio tema del aprendizaje automático, lo que permite construir un sistema de altísimo desempeño. El clasificador consta de tres etapas conectadas en cascada, siendo la primera etapa, una etapa de pre-procesamiento, luego, está una red neuronal convolucional (CNN, de sus siglas en inglés) para extracción de rasgos, implementada con una arquitectura pre-entrenada usando el método de aprendizaje por transferencia; específicamente, la CNN usada es la conocida VGG-16; a esta segunda etapa, se le conecta como etapa siguiente y final, una máquina de vectores de soporte (SVM, de sus siglas en inglés) que actúa como la etapa clasificadora. A fines de comparación, los resultados se contrastan contra modelos de identificación automáticos anteriormente publicados, los resultados logrados con nuestro identificador son significativamente superiores a los alcanzados en investigaciones previas en el tema. |
| Resumen en inglés | In this article, we describe a rodent species identification system using computational tools of the deep learning paradigm. The identified species are 4 different types of rodents and the identification is achieved using artificial intelligence techniques applied to images of these rodents in their natural habitat. These images were captured, using camera systems activated in automatic mode, hidden in the natural habitat of the species under study, under both daylight and nighttime conditions and labeled by experts. The collected image set constitutes the data set for supervised training of 1411 images of 4 classes. The identifier developed is a multiclass classifier, based on the deep learning paradigm of the broad topic of machine learning, which allows to build a high performance system. The classifier consists of three stages connected in cascade, being the first stage, a pre-processing stage, then, there is a convolutional neural network (CNN) for feature extraction, implemented with a pre-trained architecture using the method of learning by transfer; specifically, the CNN used is the well-known VGG-16; to this second stage, a support vector machine (SVM) is connected as the next and final stage, which acts as the classification stage. For comparative purposes, the results are contrasted against automatic identification models previously published, the results achieved with our identifier are significantly higher than those achieved in previous research on the subject. |
| Disciplinas: | Ciencias de la computación |
| Palabras clave: | Identificación de especies, Aprendizaje profundo, Red neuronal convolucional pre-entrenada, Inteligencia artificial, Inteligencia artificial |
| Keyword: | Species identification, Deep learning, Pretrained convolutional neural networks |
| Texto completo: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
