1 / 68

Synthèse

Synthèse. Applications des réseaux de neurones en reconnaissance de formes et en vision par ordinateur. 1- Reconnaissance de formes. Extraction. Système. X. des. Y. de. D. primitives. décision. Espace d'entrée. Espace des primitives. Espace des décisions.

kueng
Download Presentation

Synthèse

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Synthèse Applications des réseaux de neurones en reconnaissance de formes et en vision par ordinateur

  2. 1- Reconnaissance de formes Extraction Système X des Y de D primitives décision Espace d'entrée Espace des primitives Espace des décisions

  3. Apprentissage supervisé: rétro-propagation du gradient d’erreur

  4. Sonar • Travaux de Sejnowski & Gorman, 1988 • Pré-traitement: TFD • Apprentissage: spectres en fréquence

  5. Approximation complexe: conduite d’un véhicule motorisé à gauche à droite route + claire ou + foncée 1217 unités = 256 = 960 (dans le bleu)

  6. Approximation complexe: conduite de véhicule motorisé • Projet développé à Carnegie-Mellon • Apprentissage: 1200 images présentées 40 fois chacune. Les images représentent une grande diversité de courbes, d’intensité et de distortion. L’apprentissage dure ~30 min. • Résultats: Le meilleur à … ~5 km/hrs dans une route boisée.

  7. Classification de chiffres manuscrits

  8. Classification de chiffres: Mémoire associative (réseau de Hopfield)

  9. j + + G2 F2 Catégories + RAZ + - - i + + G1 F1 Caractéristiques • Structure du ART 1

  10.  = 0,9  = 3 et plus  nouvelle catégorie dans F2

  11. Classification de polices: Kohonen

  12. Classification de lettres

  13. Classification de lettres: 2 approches

  14. 2- Vision par ordinateur

  15. Modèle algorihmique du système de vision

  16. 2.1 Extraction des primitives 1- 3- 4- 2-

  17. Caractéristiques de scène projetées sur l’image d’éclairement

  18. Approximation du gradient

  19. Détection des arêtes orientées

  20. Système BCS de Grossberg

  21. Extraction par apprentissage supervisé Extraction des primitives Sous-image pour l’apprentissage

  22. 1- Choix d’une base d’apprentissage 586 vecteurs 3x3 d’apprentissage sont sélectionnés (distance euclidienne plus grande que 0,17)

  23. Sortie (arête) 2- Construction du réseau Réseau à rétro-propagation NI = 3x3 Nh = 6 No = 1 Couche cachée Entrée

  24. 3- Apprentissage • 4- Généralisation

  25. 2.2 Stéréoscopie

  26. Géométrie

  27. Mesure de disparité

  28. Compétition entre les neurones de disparité

  29. Mesure de la disparité résultante

  30. 3- Télédétection Cellular Neural Network for Automated Detection of Geological Lineaments on Radarsat Images Richard Lepage, Rouhana G. Rouhana, Benoît St-Onge, Rita Noumeir, and Robert Desjardins IEEE Transactions on Geoscience and Remote Sensing,Vol. 38, No. 3, p. 1224-1233, May 2000

  31. Linéaments • Qualité visuelle • Direction consistante • Continuité sur une longue distance Longs éléments rectilignes ou curvilignes indiquant des phénomènes géologiques

  32. Réseau neuronique cellulaire • Connexions locales avec les cellules voisines • Cellules adjacentes: effet direct • Cellules non adjacentes: effet indirect Grande matrice de cellules identiques Avantage : Adapté aux algorithmes de vision

  33. Structure en treillis du réseau cellulaire

  34. Élément de calcul à chaque noeud

  35. Nœud à chaque pixel

  36. Modèle à grand voisinage circulaire • Chaque pixel: • induit un champs de gradient dans un voisinage circulaire • applique un effet d’inhibition sur lui même • Le rayon de voisinage diminue avec une certaine vitesse et un certain pas

  37. e’ e’ • Champ d’induction circulaire e’ e' = e cos  C A e e’ P B D

  38. Champ directionnel d’induction: comparaison avec le champ circulaire Sélectivité circulaire: e' =ecos  e’<<e’ e’ =e’ Q C A Sélectivité directionnelle: e' = e cos3 I e II P B D

  39. Résultats: région de Charlevoix

  40. Image Radarsat dimensions : 768x768 précision : 9m

  41. Détection classique: masque de Sobel directionnel

  42. Détection par réseau neuronique cellulaire à induction directionnelle

  43. 4- Inspection automatisée Projet de coopération franco-québécoise 97-99 ÉTS - INSA de Lyon

  44. 2D  géon Mémoire associative Base de données Modèles CAO Descriptions géons Images 2D Images 3D • Contexte de l'inspection CA O  géon entraî- CAMÉRA nement CCD 3D INSPECTION Rapport d'inspection

  45. Étapes • Construction d’une banque de données • choix de pièces étalons • représentations CAO • volumétrique (CSG) • surfacique (STL et B-Rep) • conversion en géons (à partir du format neutre de fichier) • image 3D des objets • balayage laser (CNRC) • machine à mesurer coordonnées

  46. Extraction des géons à partir de la caméra CCD • Mise en registre • représentation CAO (STL) et image 3D • représentation CAO (NURBS) et image 3D • Sélection rapide par mémorisation associative des géons constituants

  47. Mémoire associative Base de données modèles CAO Images 2D Images 3D • Base de données CA O  géon Descriptions géons entraî- CAMÉRA nement CCD 3D INSPECTION

  48. Pièces de la base de données Pièce 1 Pièce 2 Pièce 3 Pièce 4 Pièce 5 Pièce 6 Pièce 7 Pièce 8 Pièce 9 Pièce 10

More Related