Avaliação de técnicas de contrastive learning na detecção de texturas em imagens

Abstract

Resumo: Contrastive Learning (CL) vem se destacando nos últimos anos por extrair representações úteis em grandes conjuntos de dados, oferecendo eficiência ao evitar a necessidade de anotar bases extensas. O presente trabalho aplicou tais técnicas na tarefa de detecção de espécies florestais a partir de imagens do ridoma (tronco), comparando classificadores com e sem seu uso. A partir da extração de características usando o modelo de CL a nível de estado da arte, SimCLRv2, um classificador Random Forest (RF) foi capaz de obter uma acurácia de 91% entre as 16 espécies florestais, 46% superior a uma ResNet101 sem CL. Esse mesmo RF foi capaz de obter uma acurácia de 77% com apenas 10% do conjunto de treinamento, representando uma alternativa econômica em relação aos demais modelos.

Abstract: Contrastive Learning (CL) has gained prominence in recent years for extracting useful representations from large datasets, offering efficiency by avoiding the need to annotate extensive databases. This study applied such techniques to the task of detecting forest species fromimages of the rhytidome (trunk), comparing classifiers with and without its use. By extracting features using the state-of-the-art CL model, SimCLRv2, a Random Forest (RF) classifier achieved an accuracy of 91% among the 16 forest species, 46% higher than a ResNet101 without CL. The same RF was able to achieve an accuracy of 77% with only 10% of the training set, representing a cost-effective alternative compared to other models.