How many Convolutional Layers are required for a Granite Classification Neural Network?

Abstract

O objetivo deste artigo é analisar o resultado da acurácia de classificação de tipos de granito, de acordo com a variação da quantidade de camadas convolucionais de uma CNN. A partir de uma arquitetura padrão de CNN, varia-se apenas a quantidade de camadas convolucionais, iniciando com 2 camadas até 10 camadas, incrementando uma camada a cada experimento. Foi usada uma base de dados pública, a Rock Image Datasets. Ao final, a arquitetura com 5 camadas convolucionais foi a que alcançou os melhores resultados, chegando a 99% de acurácia.