SMPA - Tema de curs

Retele neurale si recunoasterea

formelor
Universitatea Politehnica Bucuresti
Bucuresti, 2012

I. Introducere
Prelucrarea imaginilor este un domeniu actual care si-a pastrat si isi pastreaza
dinamismul si importanta datorita numarului mare de aplicatii si implementari pe care le
poate oferi. De asemenea, dezvoltarile tehnologice au facilitat accesul sistemelor de
procesare si prelucrare de imagini in tot mai multe ramuri ale industriei.
In figura de mai jos recunoastem sinteza imagisticii computerizate, asa cum a fost
prezentata in lucrarea lui Pavlidis, una fundamentala pentru inceputurile prelucrarii de
imagini.

El a propus clasificarea imaginilor in patru clase:

1. imagini in scara gri
2. imagini binare (cu cateva culori)
3. imagini formate din linii si curbe continue
4. imagini formate din puncte izolate sau poligoane
Se remarca scaderea complexitatii imaginii odata cu numarul clasei, simultan cu
reducerea semnificativa a volumui de date necesar pentru scoaterea lor (Howe).

II. Recunoasterea imaginilor

Recunoasterea formelor se ocup de clasificarea unui set de obiecte, procese sau

evenimente. Clasificarea este un proces fundamental care caracterizeaz nu numai
stiinele ci si viata sociala. Metodele matematice dezvoltate n cadrul recunoasterii
formelor isi gasesc aplicatie in cele mai diverse domenii.
Recunoaterea formelor are ca scop determinarea clasei din care fac parte elementele
unei multimi. Stabilirea numarului de clase este o problema legata direct de
caracteristicile aplicatiei. Pot exista aplicatii cu numar de clase cunoscut apriori, dar si
aplicatii in care numarul de clase trebuie stabilit dupa un algoritm.
Clasificatorul este sistemul care implementeaza operatia de recunoastere a formelor,
deci
el realizeaz o procedura stabilita anterior de clasificare.
Exista doua abordari ale procesului de recunoastere: recunoasterea controlata si
recunoasterea necontrolata.
Recunoasterea controlata (supervizata) implica existenta unui set de forme a caror
apartenenta la clase este cunoscuta. Acest set de forme include setul de formare
(invatare,
antrenare) care este folosit pentru constructia propriu-zisa a clasificatorului si setul de
testare al carui scop este testarea (evaluarea) clasificatorului respectiv. Construirea
clasificatorului este asociat in acest caz algoritmului de invatare corespunzator
clasificatorului, algoritm care construieste n mod iterativ coeficientii acestui clasificator.
Recunoasterea necontrolata (nesupervizata) nu necesit cunoasterea apriori a
apartenentei formelor din setul de formare la clase. Aceasta abordare dezvolta algoritmi
care realizeaza constructia claselor pe masura ce formele analizate sunt luate n
considerare. Ei sunt numiti algoritmi de clustering.
Schema bloc a unui sistem de recunoastere a formelor este descrisa de figura
urmatoare

III. Retele neurale

Retelele neurale sunt inspirate de modelul creierului uman. Spre deosebire de
arhitectura clasica a unei masini de calcul (Von-Neuman) care dispune de o singura
unitate de procesare ce executa instructiuni stocate in memorie, o retea neurala este
formata din mai multe elemente de procesare oferind astfel procesare paralela. Fiecare
element de procesare dintr-o retea neurala este numit neuron. O retea neurala este
caracterizata prin simplificarea extrema a unitatilor de procesare, alaturi de o extindere
cat mai larga a conexiunilor intre aceste unitati.
Retelele neurale sunt formate din trei elemente:
- modelul neuronului
- arhitectura retelei
- algoritmul de antrenare folosit
Paralelismul extins oferit de retelele neurale si fundamentul matematic al teoriei
recunoasterii formelor directioneaza si dinamizeaza in permanenta cercetarile asupra
retelelor neurale. Principala calitate a retelelor neurale este aceea de clasificare.
Clasificatorii neuronali mai des folositi sunt prezentati in taxonomia de mai jos, in functie
de cele 3 elemente de baza constituente ale unei retele.

IV. Reteaua neurala Hopfield

Acest tip de retea poate fi folosit ca memorie asociativa sau pentru rezolvarea unor
probleme de optimizare. Foloseste neuroni cu intrari binare, a caror iesire contine
neliniaritati de tipul limitare hardware.
Arhitectura unei retele Hopfield cu N neuroni este prezentata in figura de mai jos.
Iesirea fiecarui neuron e aplicata tuturor celorlalte noduri prin intermediul unor ponderi t ij
. Hopfield a demonstrat ca aceasta retea converge daca ponderile sunt simetrice (t ij =
tji).

Desi simplitatea ei o face atractiva, aceasta retea prezinta doua limitari majore cand
este utilizata ca memorie adresabila prin continut :
- numarul de forme prototip care pot fi stocate si apoi regasite corect in retea este mic.
Daca se incearca stocarea prea multor forme prototip, reteaua ar putea converge catre
un prototip fictiv.
- reteaua devine instabila daca prototipurile memorate in retea sunt foarte
asemanatoare (numar mare de biti identici).
Daca reteaua Hopfield e folosita drept clasificator, iesirea retelei trebuie comparata cu
fiecare forma prototip, dupa care se poatea lua decizia de apartenta la una din clasele
atasate formelor prototip.
In continuare prezentam algoritmul de antrenare al retelei Hopfield.

V. Implementare
Pentru demonstrarea capibilitatilor de recunoasterea formelor a retelei hopfield s-a

folosit o aplicatie open-source ce foloseste o retea cu 100 de neuroni.

Primul pas este construirea retelei.

Apoi incarcam poze ce vor servi ca pattern-uri de recunoastere pentru aplicatie. Vom
incarca 3 poze cu literele A, B si C.

Urmeaza apoi incarcarea imaginii ce trebuie clasificata. Aceasta reprezinta litera B, dar
a fost adaugat si 5% zgomot.

Ultimul pas este pornirea procesului de clasificare. In final putem observa clasa pe care
s-a facut match.

V. Concluzii
Problema recunoasterii formelor s-a combinat cu problema clasificarii automate a
imaginilor odata cu dezvoltarea deosebita luata de tehnologiile hardware multimedia.
Din perspectiva modelarii matematice fundamental, aceasta problema este deschisa
dezvoltarii.
Exista in schimb numeroase abordari si algoritmi care ataca problema din perspective
variate. Printre acestea sunt si retelele neurale care datorita caracteristicii lor de a putea
invata pattern-uri in urma unei antrenari prealabile se pliaza bine pe aceasta problema.
VI. Bibliogafie
[1] http://www.codeproject.com/Articles/15949/Hopfield-model-of-neural-network-for-patternrecog

[2] Modelare si modele matematice n recunoasterea obiectelor si clasificarea automata

a imaginilor - Ioan Ispas
[3] Curs de inteligenta artificiala
[4]
http://en.wikipedia.org/wiki/Hopfield_network

[5]
http://en.wikipedia.org/wiki/Pattern_recognition