Actividad Deep Vision

Diseñar y comparar dos estrategias para la clasificación de imágenes en el dataset CIFAR100 de Keras (https://keras.io/api/datasets/cifar100/)

Estrategia 1: Red pre-entrenada

La primera estrategia a comparar debe incluir la utilización de redes preentrenadas con el dataset ImageNet, llevando a cabo tareas de transfer learning y fine-tuning para clasificar los objetos de CIFAR100. Deben compararse al menos dos tipos de arquitecturas (VGGs, ResNet50, Xception, InceptionV3, InceptionResNetV2, MobileNetV2, DenseNet, ResNet...) y se debe seleccionar la que mayor precisión nos dé (información sobre las arquitecturas disponibles en https://keras.io/applications/). Se espera que el alumno utilice todas las técnicas de optimización mostradas en clase de forma justificada para la mejora del rendimiento de la red neuronal (weight regularization, dropout, batch normalization, data augmentation, etc.).

Estrategia 2: Entrenar desde cero o from scratch

La segunda estrategia a comparar será una red neuronal profunda que el alumno debe diseñar, entrenar y optimizar. Se debe justificar empíricamente las decisiones que llevaron a la selección de atributos, capas e hiperparámetros a los que se ha llegado. Se espera que el alumno utilice todas las técnicas de optimización mostradas en clase de forma justificada para la mejora del rendimiento de la red neuronal (weight regularization, dropout, batch normalization, data augmentation...).

Normas a seguir

• Se debe entregar un ÚNICO GOOGLE COLAB notebook (archivo .ipynb) que incluya las instrucciones presentes y su EJECUCIÓN!!!. Debe aparecer todo el proceso seguido (carga de datos, visualización de datos, proceso de entrenamiento y proceso de validación del modelo).
• Poner el nombre del alumno/a en el nombre del archivo.
• Las redes utilizadas deben estar entrenadas. La entrega de una red sin entrenar supondrá pérdida de puntos.
• Si se desea evidenciar alguna métrica del proceso de entrenamiento (precisión, pérdida, etc.), estas deben ser generadas.
• Es recomendable crear una última sección de texto en el Notebook en la que se discutan los diferentes modelos obtenidos y se extraigan las conclusiones pertinentes.