Skip to ContentSkip to Navigation
Over ons Faculty of Science and Engineering Promoties

Deep learning for animal recognition

Promotie:Dhr. E. (Emmanuel) Okafor
Wanneer:08 maart 2019
Aanvang:14:30
Promotor:prof. dr. L.R.B. (Lambert) Schomaker
Copromotor:dr. M.A. Wiering
Waar:Academiegebouw RUG
Faculteit:Science and Engineering
Deep learning for animal recognition

Neurale netwerken leren dieren te herkennen

Deep learning heeft vele successen behaald in verschillende computer beeldherkenningstaken zoals classificatie, herkenning, en segmentatie van objecten of gezichten. Veel van deze successen zijn toe te schrijven aan training van ‘deep convolutional’ neurale netwerken op datasets met veel afbeeldingen.

Er is beperkt onderzoek gedaan naar het gebruikt van deep learning-methodes voor herkenning of detectie van dieren met een beperkt aantal afbeeldingen. Emmanuel Okafor onderzocht de toepassing van verschillende deep learning-technieken en conventionele ‘computer vision’-methodes voor herkenning en detectie van dieren met relatief kleine datasets voor training.

Dat gebeurde met de volgende doelen: 1) Analyseren van de prestaties van ‘deep learning’-systemen in vergelijking met klassieke methodes, met een beperkt aantal dieren-afbeeldingen; 2) Ontwikkelen van een algoritme om effectief om te gaan met variatie in rotatie van luchtfoto’s; 3) Ontwikkelen van een computer vision-systeem dat robuuster is tegen variatie in belichting; 4) Analyse van het belang van verschillende kleurruimtes in ‘deep learning’; 5) Vergelijken van verschillende algoritmes voor ‘deep convolutional’ neurale netwerken voor detectie en herkenning van individuele exemplaren in een groep dieren, zoals bijvoorbeeld dassen.

Voor de meeste experimenten gebruikte Okafor effectief gereduceerde neurale netwerken, die zijn afgeleid van bestaande architecturen. Deze gereduceerde systemen vergeleek hij met de standaardarchitecturen en klassieke computer vision-methodes. Verder stelde hij een algoritme voor kleurtransformatie voor, een nieuw rotatiematrix-algoritme voor ‘data augmentation’, en een hybride variant hiervan, waarbij kleurconstantie wordt betrokken om afbeeldingen te verbeteren en een systeem te maken dat robuuster is tegen verschillende soorten visuele verschijningen.

Uit de resultaten blijkt dat de door Okafor voorgestelde algoritmes helpen om deep learning-systemen accurater te maken in het classificeren van dieren op een groot aantal verschillende dieren-datasets. Verder behaalden de ontwikkelde systemen prestaties die de klassieke computer vision-technieken significant overtreffen, zelfs met een beperkt aantal beschikbare afbeeldingen voor training.             

Het promotieonderzoek van Emmanuel Okafor  vond plaats bij de afdeling Kunstmatige Intelligentie van het Bernoulli instituut, met financiering van de RUG en de Ahmadu Bello University, Nigeria. Hij werkt nu als Lecturer I aan de Ahmadu Bello University, Nigeria.