El salto cualitativo de Deep Learning en problemas de clasificación

Abstract

Los procesos biológicos están estrechamente relacionados con el comportamiento de los animales, por lo que su observación cada vez adquiere más importancia. El método más común para ello es la grabación de vídeo en escenarios controlados durante un tiempo prolongado. Para el rastreo y detección de diferentes individuos que cohabitan en un mismo espacio ya existen algoritmos que ofrecen resultados aceptables. Sin embargo, el reto todavía se encuentra en mantener la identidad de cada individuo a lo largo del seguimiento de larga duración que se pretende. Este propósito se convierte en complejo especialmente cuando los peces desaparecen del objetivo de la cámara, se cruzan entre ellos o se difuminan por la calidad obtenida en la imagen. Así pues, el presente TFM (Trabajo Final de Máster) tiene como objetivo proponer una solución a esta problemática mediante la aplicación de métodos de aprendizaje máquina. Éstos, junto a los algoritmos de seguimiento mencionados, permitirán mejorar la información recabada de los diferentes individuos observados con el fin de poder extraer conclusiones detalladas sobre su conducta. El trabajo se centra en la aplicación de Deep Learning como algoritmo principal para la clasificación e identificación de los individuos. Además, se implementarán clasificadores con un enfoque más tradicional para poder observar el salto cualitativo que aportan las redes neuronales al objetivo que nos ocupa.

Biological processes are closely related to animals behavior, so their observation is getting more important. The most common method for this is video-recording at controlled situations for a long time. There are already algorithms that offer suitable results for tracking and detection of different individuals that cohabit in the same space. However, long-term tracking while maintaining the identity of animals is still a challenge. Besides, this can be more complicated when fish disappear from the camera's lens, cross each other or are blurred because of the quality of the image. Therefore, this master's thesis aims to propose a solution to this problem through machine learning methods application. These, with the tracking algorithms, will improve the information collected about the different individuals observed to draw conclusions about their behavior. The work focuses on the use of Deep Learning as the main algorithm for the classification and identification of fish. Later, it will be compared with other machine learning methods, concluding the qualitative leap that Deep Learning entails.

Els processos biològics estan estretament relacionats amb el comportament dels animals, per la qual cosa la seva observació cada vegada adquireix més importància. El mètode més comú per a això és l'enregistrament de vídeo en escenaris controlats durant un temps perllongat. Per al rastreig i detecció de diferents individus que cohabiten en un mateix espai ja existeixen algorismes que ofereixen resultats acceptables. No obstant això, el repte encara es troba a mantenir la identitat de cada individu al llarg del seguiment de llarga durada que es pretén. Aquest propòsit es converteix en complex especialment quan els peixos desapareixen de l'objectiu de la càmera, es creuen entre ells o es difuminen per la qualitat obtinguda en la imatge. Així doncs, el present TFM (Treball Final de Màster) té com a objectiu proposar una solució a aquesta problemàtica mitjançant l'aplicació de mètodes d'aprenentatge màquina. Aquests, al costat dels algorismes de seguiment esmentats, permetran millorar la informació recaptada dels diferents individus observats amb la finalitat de poder extreure conclusions detallades sobre la seva conducta. El treball se centra en l'aplicació de Deep Learning com a algorisme principal per a la classificació i identificació dels individus. A més, s'implementaran classificadors amb un enfocament més tradicional per poder observar el salt qualitatiu que aporten les xarxes neuronals a l'objectiu que ens ocupa.