chapitre 4 (suite) applications du perceptron multicouche
TRANSCRIPT
Chapitre 4 (suite)
Applications du perceptron multicouche
Plan
4- Perceptron multicouche Sélection des paramètres Améliorations des performances
Applications Reconnaissance optique de caractères Base d’apprentissage incrémentale Extraction de caractéristiques Compression d’images (réseau Diabolo)
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 3
Découverte
J.C. Principe, N.R. Euliano et W.C. LefebvreNeural and Adaptive Systems: Fundamentals Through SimulationsJohn Wiley & Sons, 2000
Approche systèmes linéaires adaptatifs
Simulateur de base fourni sur CD-ROM Couvre majorité des modèles, y
compris MVS (machines à vecteurs de support)
ACP Éléments de TNS:
– Réponse en fréquence et transformée en Z
– Filtre adaptatif Trouvé chez le Camelot, sept. 2005,
$124
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 5
Neurones cachés versus complexité des données
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 6
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 7
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 8
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 9
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 10
Apprentissage versus généralisation
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 11
Généralisation en régression
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 12
Problématique: rappel
Base de données étiquetée
Base
d’apprentissage Base
de test
apprentissage généralisation
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 13
Système complet de classification
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 14
Influence du nombre d’époques d’apprentissage
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 15
Influence du nombre de neurones
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 16
Influence du nombre de données
6 Applications
Reconnaissance Optique des Caractères (O.C.R)
Seuillage d’images
Base d’apprentissage incrémentale
Data Mining, Extraction des connaissances
6 Applications - OCR
Reconnaissance Optique des Caractères (O.C.R)
Objectif
s Système OCR
la lettre « s »
Reconnaissance sans contrainte
Reconnaissance hors contexte 2 9 2 8 5Reconnaissance du scripte deuxReconnaissance des caractères manuscrits
6 Applications - OCR
Reconnaissance des chiffres manuscrits
Extraction desprimitives
Système de décision
Acquisition d’images
Système deprétraitement
« 0 »« 1 »« 2 »……« 9 »
6 Applications - OCR
Acquisition d’imagesRésolutions spatiale et en niveaux de gris
Système de prétraitement
Extraction d’imagettesFiltrage/réduction du bruitMise à l’échelle
Extraction desprimitives
Primitives visuelles méthodes syntaxiquesPrototypes des classesParamètres numériques (données brutes, données transformées, ….) méthodes numériques
6 Applications - OCR
Le neurone formel en reconnaissance de chiffres
Séparation entre deux classes
Imagette d’entrée
X
Poidssynaptiques
Classe 1 : -1
Classe 2 : +1
6 Applications - OCR
Exemple :
Classe 1
Classe 2
Image des poids synaptiques
6 Applications - OCR
Le réseau multicouches en reconnaissance de chiffres
Base d’apprentissage étiquetée
16
16
, (0, 0, 0, 1, 0, …, 0)
L
6 Applications - OCR
Nombre de neurones dans la couche cachée ? Base d’apprentissage
étiquetée
Base
d’apprentissage
Base
de test
LLOptimal
6 Applications - Seuillage d’images
Seuillage d’images : Opération que l’on effectue sur une image afin d'obtenir une nouvelle image à deux niveaux de gris.Réseau CMB (Connexionnist Model Binarization)
Sortie désirée
calculd'histogramme
normalisé
Ensemble d'imagesd'apprentissage
choix duseuil optimal
Visualisation desimages seuillées
Entrée
6 Applications - Seuillage d’images
image originale
6 Applications - Base d’apprentissage incrémentale
Base d’apprentissage incrémentale
Concept d’apprentissage incrémental
Ajout de nouvelles classes
Ajout de nouvelles formes
Les réseaux multicouches n’admettent pas cette possibilité
OCR, Reconnaissance de parcellaires en imagerie satellitaire, etc.
6 Applications - Base d’apprentissage incrémentale
Base incrémentale en imagerie satellitaire
Position du problème
Vert
RougeP
roche infrarouge
Composé couleur
Spot
6 Applications - Base d’apprentissage incrémentale
x1 x2 x3
Il s’agit de la classe Cm
Position, (x1 , x2, x3 ), Cm
6 Applications - Base d’apprentissage incrémentale
ClassificationApprentissage
Extractiond'exemples
Connaissancesde l'expert
Base (t)
Base (t+1)
Base (t)
(t+1)
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 31
Construction dynamique d'une base d'apprentissage
Base (t = 0) Base (tf = 15)100 exemples /classe 1600 exemples
/classe
6 Applications - Base d’apprentissage incrémentale
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 32
Extraction des connaissances d'une base d'exemples Absence de connaissances a
prioriUne base d'exemples étiquetée Approche d'extraction de connaissances
Apprentissage d'un réseau multicouches
Analyse des poids synaptiquesApplication aux données MSN
MSN, Malaises Graves (MG) et Fratries (F)42 données épidémiologiques
6 Applications - Extraction des connaissances
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #5 - 33
Extraction de connaissances d'une base d'exemples
D1- +
D5
D2+-
D4
D3-+
16
38
MSN bien classifiés
formes MG
3
16 36
40
12
MSN mal classifiésFR bien classifiésFR mal classifiés
- +
+-
MSN
D1
D5
6 Applications - Extraction des connaissances