Extracción de características basadas en modelos híbridos preentrenados para una clasificación mejorada de escenas en...

Área de la Ciencia:

• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• La clasificación de la escena interior es vital para las aplicaciones inteligentes, pero es desafiada por factores ambientales complejos.
• Los métodos tradicionales como SVM y KNN ofrecen un rendimiento limitado en diversos entornos interiores.
• Los modelos de aprendizaje profundo (DL), particularmente las CNN, tienen una extracción avanzada de características para una mayor precisión.

Objetivo del estudio:

• Proponer e implementar un nuevo modelo MultiData para mejorar la clasificación de las escenas interiores.
• Integrar DL con el Análisis Discriminante Lineal (LDA) y el Aprendizaje Federado (FL) para un rendimiento superior y privacidad de datos.
• Evaluar la eficacia del modelo MultiData en comparación con las arquitecturas DL establecidas y la formación basada en FL.

Principales métodos:

• Desarrollo del nuevo modelo MultiData que combina DL, LDA y FL.
• Análisis comparativo de MultiData con el VGG16, el VGG19 y el ResNet152.
• Implementación de aprendizaje federado en cuatro clientes con conjuntos de datos IID y no IID.

Principales resultados:

• MultiData logró una precisión casi perfecta (99,99%) y una pérdida de validación mínima (0%) en comparación con otros modelos.
• El entrenamiento federado demostró la robustez del modelo con una precisión de entrenamiento del 100% y una precisión de validación superior al 95%.
• El modelo demostró ser eficaz tanto en escenarios de datos IID como en otros.

Conclusiones:

• El modelo MultiData ofrece un avance significativo en la clasificación de escenas interiores para preservar la privacidad.
• Esta investigación apoya el desarrollo de entornos inteligentes y sostenibles y la automatización basada en IoT.
• Los hallazgos son aplicables a los sectores de la salud, la infraestructura inteligente y la vigilancia, en consonancia con los ODS 9, 11 y 12.