Modelagem Granular Convolucional Evolutiva para Classificação de Fluxo de Imagens
Os avanços recentes em aprendizado de máquina para visão computacional e classificação de
imagens enfatizam dois aspectos principais: (i) a explicabilidade ou interpretabilidade do mo-
delo neural profundo para classificação; e (ii) a capacidade de aprendizado contínuo online do
modelo após sua implementação em um ambiente dinâmico, conforme observado em um fluxo
de imagens. Neste trabalho, é apresentada uma estrutura de Rede Neural Granular Evolutiva
Convolucional, equipada com um algoritmo incremental, que aborda ambas as questões (i) e
(ii), proporcionando um nível mais elevado de interpretabilidade ao modelo neural e permitindo
aprendizado contínuo ao longo da vida. A abordagem de modelagem proposta, denominada
VGG-EGNN, combina parte de uma rede convolucional convencional (CNN VGG-16) com
uma rede granular evolutiva (EGNN). A estrutura conexionista e os parâmetros de grânulos de
informação EGNN são gradualmente desenvolvidos e atualizados com base nas componentes
principais (PCA) de variáveis latentes extraídas do fluxo de imagens. Em particular, a CNN
VGG-16 é explorada para gerar um espaço característico compacto, enquanto a EGNN, com-
posta por grânulos fuzzy trapezoidais e funções de agregação T-norma e S-norma, é utilizada
para capturar padrões e classificar imagens. A técnica de Análise de Componentes Principais
(PCA) é implementada no ponto de integração entre a VGG-EGNN, visando reduzir o tempo de
processamento dos dados e do treinamento online. Essa abordagem possibilita lidar eficiente-
mente com imagens ou frames de vídeo em frequências relativamente mais elevadas. Destaca-se
que a precisão e a interpretabilidade do modelo global são aprimoradas pela reconfiguração das
conexões resultantes da transformação PCA nos espaços de integração.