1. RIUdeG
2. Revistas
3. Revista ReCIBE

Title:	Parasite classification in copro images with transfer learning and data augmentation Clasificación de parásitos en imágenes de copro con transferencia de aprendizaje y aumento de datos
Keywords:	Parasite Classification;Data Augmentation;Transfer Learning;GAN;AlexNet;Clasificación de parásitos;Aumento de datos;Transferencia de aprendizaje;GAN;,AlexNet.
Publisher:	Universidad de Guadalajara
Description:	Humans can harbor parasites; hence, it is fundamental an early detection to prevent diseases. Parasites can be observed in microscopic images, and computer vision may be a helpful approach to detect and classify those parasites in digital images. Deep learning models have shown to have a high performance in image classification. Therefore, this article presents various multi-class deep learning classifiers to recognize 8 classes: 7 types of parasites and non-parasite class. The designed classifiers are based on transfer learning from an AlexNet modified architecture. By having a reduce amount of parasite images samples, a data augmentation was done, employing traditional methods and images generation with an adversarial neural network (GAN) designed for this purpose. The classifier with best performance presented a 99.94%, 98.97% and 98.18% accuracy in the for training, validation and testing sets, respectively. Los seres humanos pueden albergar parásitos, por lo tanto, es fundamental una detección temprana para prevenir enfermedades. Los parásitos pueden observarse a través de imágenes microscópicas, con lo cual, la visión por computadora se muestra como un enfoque que pueda ayudar a la detección y clasificación de parásitos en imágenes digitales. Los modelos de aprendizaje profundo han mostrado un desempeño formidable en la clasificación de imágenes, debido a esto, en este artículo se presentan varios clasificadores profundos multiclase para reconocer 8 clases: 7 tipos de parásitos y la clase no parásitos.  Los clasificadores diseñados utilizan transferencia de aprendizaje basada en la arquitectura AlexNet modificada. Al contar con una cantidad de muestras escasa de imágenes de parásitos, se realizó también un aumento de datos, tanto con el método tradicional como mediante la generación de imágenes con una red generativa adversaria (GAN) diseñada para ese propósito. El clasificador con mejor desempeño presentó una exactitud del 99.94%, 98.97% y 98.18% en el conjunto de entrenamiento, validación y de prueba, respectivamente.
URI:	https://hdl.handle.net/20.500.12104/95635
Other Identifiers:	http://recibe.cucei.udg.mx/index.php/ReCIBE/article/view/235 10.32870/recibe.v10i2.235
Appears in Collections:	Revista ReCIBE

Items in RIUdeG are protected by copyright, with all rights reserved, unless otherwise indicated.