Leaf Recognition with Deep Learning and Keras using GPU computing
López Barrientos, Jesús
Vilariño Freire, Fernando, dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant:	Reconeixement de fulles amb Deep Learning amb Keras utilitzant càlculs amb GPU
Títol variant:	Reconocimiento de hojas con Deep Learning y Keras usando cálculos con GPU
Data:	2018-02-11
Resum:	Our work is about using Deep Learning for leaf recognition using Keras and GPU computation. We used 17 CNNs of "Kaggle" [1], a Machine Learning training webpage that using simple challenges with prizes help people to learn how to use Deep Learning. Kaggle made a challenge in August, 30th, 2016 that was about Leaf Recognition. In that challenge more than 1500 users participated in it. They made teams to participate and we grab 17 codes of them to see how their codes was working. We updated the codes, because they were written in 1. 0 version of Keras, and we use 2. 0. 6 version and then we made a ranking to test their accuracy in leaf recognition using the dataset provided by kaggle. Also we downloaded two more datasets to make more tests with them. On the other hand, we found two papers in "the ImageClef Competition" [2], and we implemented them from the beggining to see how simple is to transform a paper into code. ECOCUAN team, from 2015, used a tunned AlexNet CNN and KDETUT, from 2017, used a ResNet50 modified CNN. Another paper found on the net was one that use ResNet26 CNN, so we think that was a good idea to make a ranking of the three of them to see which is better.
Resum:	El nostre treball es basa en utilitzar Deep Learning per al reconeixement de fulles d'arbres utilitzant la llibreria Keras i fent servir una GPU per als càlculs de la xarxa. Hem utilitzat 17 CNNs de la web "Kaggle" que va fer una competició amb alguns premis per a la gent que volia aprendre Deep Learning. Kaggle va fer el concurs el 30 d'Agost del 2016 i en aquest concurs van participar més de 1500 usuaris. Van fer equips per participar i nosaltres hem agafat 17 codis d'aquests grups per veure com funcionen. Vam actualitzar els codis ja que eren fets amb la versió 1. 0 de Keras i nosaltres utilitzem la versió 2. 0. 6 i després vam fer un ranking per veure la seva precisió en el reconeixement de fulles utilitzant el dataset que Kaggle proporcionava. També vam utilitzar dos datasets més per ampliar resultats. Per altra banda, vam trobar dos papers en la competició ImageClef que vam implementar des de 0 per veure com de fàcil és implementar una xarxa des d'un paper. ECOCUAN team del 2015 utilitzava una xarxa Alexnet tunejada y KDETUT del 2017 feia dues modificacions a la xarxa tipus ResNet50. També vam trobar un paper que feia servir la xarxa ResNet26 i vam pensar que era una bona idea utilitzar-lo per comparar amb la de KDETUT.
Resum:	Nuestro trabajo se basa en utilizar Deep Learning para el reconocimiento de hojas de árboles usando la librería Keras y cálculos mediante GPU. Hemos usado 17 CNNs encontradas en la web Kaggle que hizo una competición de reconocimiento de hojas con algunos premios para la gente que quería aprender Deep Learning. Kaggle hizo el concurso el 30 de Agosto de 2016 y participaron más de 1500 usuarios. Hicieron equipos para concursar y nosotros cogimos 17 de estos códigos para ver cómo funcionaban. Actualizamos los códigos ya que estaban hechos en la versión 1. 0 de keras y nosotros teníamos la 2. 0. 6 y después hicimos un ranking para ver su precisión en el reconocimiento de hojas utilizando el dataset proporcionado por Kaggle. También utilizamos dos datasets más para ampliar resultados. Por otra parte, encontramos dos papeles de la competición ImageClef que implementamos desde cero para ver cómo de fácil es implementar una red desde un papel. ECOCUAN team del 2015 utilizaba una red tipo AlexNet tuneada y KDETUT del 2017 hacía dos modificaciones a la red tipo ResNet50. También encontramos otro papel que utilizaba la red ResNet26 y pensamos que era una buena idea compararlo con la red de KDETUT.
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.
Llengua:	Anglès
Titulació:	Grau en Enginyeria Informàtica [2502441]
Pla d'estudis:	Grau en Enginyeria Informàtica [958]
Document:	Treball final de grau ; Text
Àrea temàtica:	Menció Computació
Matèria:	Deep Learning ; Keras ; CNN ; Convolutional Neural Network ; Tensorflow ; Leaf Recognition ; ResNet ; AlexNet ; LeNet ; Kaggle ; ImageClef

14 p, 12.9 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG