Evaluación de la incorporación de características extraídas por métodos convencionales en redes neuronales convolucionales para el problema de clasificación de CIFAR10

Abstract

En este trabajo se presenta una metodología para la incorporación de características hand-crafted en redes neuronales convolucionales, específicamente características Gabor. Estas características se incorporan a las características generadas por la red y además son sintonizadas de acuerdo a la tarea a resolver. Se modifican 2 arquitecturas, las redes DenseNet y ResNet. Se utilizan versiones pequeñas de estas redes, con 20 capas de profundidad (DenseNet20 y ResNet20) y se evalúa su desempeño en la tarea de clasificación del conjunto de datos CIFAR10. Se realizan experimentos utilizando un el conjunto de datos normal, con data augmentation y cutout. Las características son agregadas de manera tal que no modifiquen la estructura de la red, manteniendo el número de mapas de salidas y dimensiones en cada una de la capas convolucionales. Luego, la mejor configuración es utilizada en versiones más profundas de las redes DenseNet y ResNet,con 100 y 110 capas, respectivamente. Se logra aumentar el desempeño utilizando esta metodología en una variante de estas redes, aumentando de 84.96%a 85,83%.