MELHORAMENTO NA CLASSIFICAÇÃO DE PÓLEN USANDO REDE NEURAL HÍBRIDA COM MECANISMO DE ATENÇÃO E SEPARAÇÃO POR VISTAS: uma abordagem Equatorial e Polar

Abstract

Resumo: A pesquisa com grãos de pólen tem aplicações em áreas como ecologia, controle de alergias e rastreamento de alimentos. No entanto, a classificação desses grãos

enfrenta desafios significativos devido à limitação dos dados disponíveis e à variabili- dade das características morfológicas. Recentemente, a aplicação de Redes Neurais

Convolucionais (CNNs) trouxe avanços expressivos nesse campo, com técnicas como transferência de aprendizado e aumento de dados sendo utilizadas para melhorar os resultados. Este estudo visa inovar na classificação de imagens de grãos de pólen ao considerar as diferenças entre as vistas equatorial e polar. O objetivo central é avaliar o impacto dessas vistas na tarefa de classificação, partindo da hipótese de que a vista polar, por revelar detalhes mais precisos do que a equatorial, pode proporcionar um desempenho superior. Assim, ao separar os grãos de pólen com base nas vistas, espera-se obter resultados que igualem ou superem os reportados na literatura, contribuindo de maneira original para o avanço do estado da arte. A pesquisa foi estruturada em três etapas interdependentes. Na primeira etapa, as

bases de dados foram classificadas em seu formato original, empregando redes pré- treinadas e redes baseadas em mecanismos de atenção, com treinamento iniciado

do zero. A segunda etapa focou na separação das bases em vistas equatorial e polar, utilizando técnicas de aprendizado semi-supervisionado para garantir uma divisão precisa. Na terceira e última etapa, as novas bases foram classificadas utilizando as redes que apresentaram o melhor desempenho na etapa inicial, permitindo uma avaliação comparativa entre as vistas. Os resultados preliminares demonstram que as redes pré-treinadas, particularmente a DenseNet201, alcançaram melhorias substanciais ao utilizar a base CPD1 dividida por vistas. A vista polar obteve as melhores métricas, com uma acurácia de 99.10%, superando as pesquisas anteriores que utilizaram a mesma base de dados CPD1, confirmando a hipótese inicial e destacando a relevância da separação por vistas. Abstract: Research on pollen grains has applications in areas such as ecology, allergy control, and food traceability. However, the classification of these grains faces significant challenges due to the limited availability of data and the variability of morphological characteristics.

Recently, the application of Convolutional Neural Networks (CNNs) has led to signif- icant advancements in this field, with techniques such as transfer learning and data

augmentation being employed to improve results. This study aims to innovate in the classification of pollen grain images by considering the differences between equatorial and polar views. The central objective is to assess the impact of these views on the classification task, based on the hypothesis that the polar view, by revealing more precise details than the equatorial view, can provide superior performance. Thus, by separating pollen grains based on these views, it is expected to achieve results that match or exceed those reported in the literature, contributing originally to the advancement of the state of the art. The research was structured into three interdependent stages. In the first stage, the datasets were classified in their original format, employing pre-trained networks and attention-based networks with training initiated from scratch. The second stage focused on separating the datasets into equatorial and polar views, using semi-supervised learning techniques to ensure accurate division. In the third and final stage, the newly generated datasets were classified using the networks that performed best in the initial stage, allowing for a comparative evaluation between the views. Preliminary results show that pre-trained networks, particularly DenseNet201, achieved substantial improvements when using the CPD1 dataset divided by views. The polar view achieved the best metrics, with an accuracy of 99.1%, surpassing previous studies that used the same CPD1 dataset, confirming the initial hypothesis and highlighting the relevance of view separation.