link do material

Vista do Rede Neural Convolucional para o Diagnóstico de Leucemia

• Dentre diversas técnicas de aprendizado de máquina, as CNNs são consideradas o tipo de modelo mais bem-sucedido. Suas camadas convolucionais dispostas de forma sequencial e profunda são capazes de abstrair dados em alto nível, funcionando como caixa preta, pois não se sabe claramente como é realizado seu aprendizado

Método protposto

• A utilização de CNNs apresenta dois desafios, o primeiro é a necessidade de grande poder computacional e o segundo é na obtenção de um largo conjunto de dados para treinar os milhares de parâmetros pertencentes a rede. Porém, ainda existem formas de se utilizar a capacidade da CNN. A principal é através do uso de pesos pré-treinados em bases de dados de propósito geral. Utilizando esses pesos é possível diminuir a necessidade de retreinar todos os parâmetros, assim como utilizar informações já existentes na rede pré-treinada
  • A primeira compreende a extração de características utilizando as camadas totalmente conectadas como vetores de características a serem submetidos aos classificadores estabelecidos no estado da arte como, por exemplo, a SVM
  • A segunda forma de transferência de aprendizado é o ajuste fino ou fine-tuning. É uma técnica que exige grande poder computacional quando comparado com a técnica anterior, uma vez que você irá retreinar a CNN com a sua base de dados após realizar a transferência dos pesos pré-treinados, tornando-a mais específica ao problema abordado.