Potencializando a classificação de imagens com eficiência e robustez através da FiberNet.

Abstract

Um modelo baseado em CNN que utiliza umpequeno número de parâmetros treináveis pode trazer váriosbenefícios importantes para diferentes domínios deaplicação. Entre eles, podemos mencionar o processo detreinamento mais rápido, o que significa que suaimplementação pode ser feita de forma mais eficiente erápida. Além deste, nós podemos citar também a reduçãosignificativa na probabilidade de overfitting e a redução noconsumo dos recursos computacionais necessários para aexecução, o que pode ser muito útil em sistemas embarcadose outros dispositivos com hardware limitado. Portanto, nesteartigo, nós propomos o modelo FiberNet, que é uma redeneural convolucional (CNN) simples e eficiente que produzum pequeno número de parâmetros treináveis e altavelocidade de inferência. O objetivo principal é fornecer umaalternativa eficiente para aplicações móveis, bem comoaplicações que requerem modelos compactos. Para avaliar aeficácia da FiberNet, nós realizamos um estudo empíricocomparativo entre os resultados do nosso modelo e oresultado de outros modelos que são considerados como oestado da arte. Essa comparação foi realizada em doisconjuntos de dados de imagens diferentes, um dos quais é oconhecido conjunto de dados CIFAR10. Como resultado, omodelo FiberNet obteve uma precisão de 96,25% noconjunto de dados Sisal, 74,90% no conjunto de dadosCIFAR10 e foi o primeiro em total de parâmetros treináveiscom 754.345 (39,57% menor em relação ao segundocolocado)