Redes Neurais Convolucionais (RNC): Biologia
A rede neural foi treinada e testada com um conjunto de dados de imagens de edeagos (parte da genitália masculina) do cluster Drosophila buzzatii (moscas).
Para expandir o conjunto de treinamento, utilizou-se a técnica de data augmentation, aumentando-o nove vezes. A arquitetura da rede
consistiu em camadas convolucionais de 3x3 seguidas por camadas de max-pooling, com um aumento progressivo no número de filtros (de 32 a 1024).
A rede foi composta por duas camadas totalmente conectadas, com regularização por dropout de 50%. Para avaliar o desempenho da rede na
classificação das espécies, foram utilizadas a matriz de confusão, a acurácia e o recall (sensibilidade).
Toda a implementação foi realizada com as bibliotecas Keras, TensorFlow, Matplotlib e splitfolders.
Insights principais:
- O modelo alcançou uma acurácia de 86,14%, mas os valores de recall indicaram a necessidade de melhorias para evitar erros significativos na classificação.
- A possibilidade de overfitting e o desbalanceamento dos dados apontam para a necessidade de ajustes nos parâmetros e de técnicas de balanceamento para aprimorar o desempenho do modelo.
- Com refinamentos contínuos, a metodologia tem grande potencial para se tornar uma ferramenta promissora na classificação e categorização de espécies em diversos grupos taxonômicos.
- A limitação de dados reais e a dependência do aumento artificial destacam a necessidade de ampliar a base de dados para melhorar a robustez e a precisão do modelo, otimizando os resultados.
Acesse o repositório no GitHub
- O modelo alcançou uma acurácia de 86,14%, mas os valores de recall indicaram a necessidade de melhorias para evitar erros significativos na classificação.
- A possibilidade de overfitting e o desbalanceamento dos dados apontam para a necessidade de ajustes nos parâmetros e de técnicas de balanceamento para aprimorar o desempenho do modelo.
- Com refinamentos contínuos, a metodologia tem grande potencial para se tornar uma ferramenta promissora na classificação e categorização de espécies em diversos grupos taxonômicos.
- A limitação de dados reais e a dependência do aumento artificial destacam a necessidade de ampliar a base de dados para melhorar a robustez e a precisão do modelo, otimizando os resultados.
