Les réseaux de neurones à réservoir en traitement d’images Institut de sciences et technologies Département d’informatique Rapport sur le projet de fin d’études Master Option : Ingénierie des Systèmes Informatiques Thème:  Les réseaux de neurones à réservoir en traitement d’images Présenté par: Bouchikhi Mohammed Abdelhak Encadre par: Dr. B.Meftah

Introduction Réseaux de neurone Reservoir Computing Plan de travail I Introduction II Réseaux de neurone III Reservoir Computing IV Traitement d’images V Conclusion

I. Introduction Les réseaux de neurones sont des ensembles d'opérateurs non linéaires interconnectés. Utilise en: traitement d’images Classificationr Robotique Réservoir computing est un réseau de neurone contient un réservoir Réseau de neurone – Réservoir computing –traitement D’image

II. Réseaux de neurone Neurone biologique Neurone artificiel Fonction d’activation Topologie des reseaux de neurone Procédure de conception d'un réseau de neurones Apprentissage Réseau de neurone – Réservoir computing –traitement D’image

1 Neurone biologique Neurone biologique est une cellule nerveuse qui compose de: dendrites, Noyau, Axone et Synapse. dendrites axone Noyau synapse dendrites Réseau de neurone – Réservoir computing –traitement D’image

Entrées( dendrites +synapses) 2 Neurone artificiel Neurone artificiel est la modélisation mathématique du neurone biologique sommation Axone X1 W1 W2 X2 W3 Sortie( axone) Xn seuillage Dendrites Entrées( dendrites +synapses) Corps cellulaire Réseau de neurone – Réservoir computing –traitement D’image

Fonction d’activation 3 Fonction d’activation sert à introduire une non linéarité dans le fonctionnement du neurone. S f Fonction linéaire avec seuil Fonction linéaire sans Saturation Fonction sigmoïde Réseau de neurone – Réservoir computing –traitement D’image

Topologie des reseaux de neurone Les réseaux neurones Les Réseaux statique Les Réseaux récurrents Réseau de neurone – Réservoir computing –traitement D’image

Topologie des reseaux de neurone 4 Topologie des reseaux de neurone (Suite) Les réseaux statiques sont constitués d’une couche d’entrée, une couche de sortie et entre les deux au moins une couche W1 W2 W3 X1 X2 S X3 Couche de sortie k X4 Couche cachée 2 Couche d’entrée i Couche cachée 1 j Réseau de neurone – Réservoir computing –traitement D’image

Topologie des reseaux de neurone (suite) Les réseaux dynamiques contiennent des rebouclages partiels ou totaux. Réseau à connexions récurrentes Réseau à connexions complète Réseau de neurone – Réservoir computing –traitement D’image

Procédure de conception d'un réseau de neurones 11 6 Procédure de conception d'un réseau de neurones Choix des échantillons. Elaboration de la structure du réseau.  Apprentissage.  Validation. Réseau de neurone – Réservoir computing –traitement D’image

5 Apprentissage Apprentissage non supervisés Supervisés La modification du comportement du réseau jusqu'à l'obtention du comportement désiré. Apprentissage non supervisés Supervisés Réseau de neurone – Réservoir computing –traitement D’image

Apprentissage(suite) Apprentissage supervisés: superviseur réseau sortie désirée sortie obtenue erreur ENTREES Réseau de neurone – Réservoir computing –traitement D’image

Apprentissage(suite) 14 Apprentissage(suite) Apprentissage non supervisés: réseau sortie obtenue ENTREES Réseau de neurone – Réservoir computing –traitement D’image

III. Réservoir computing Definition Modèles de réservoir computing Calculer l’etat de reservoir et la sortie Apprentissage d’echo state network Réseau de neurone – Réservoir computing –traitement D’image

Definition Reservoir computing: est un réseaux récurrents contient une couche d’entrer , un réservoir et une couche de sortie. Le reservoir: est un ensemble neurones connectés aléatoirement. couche d’entrer couche de sortie réservoir Réseau de neurone – Réservoir computing –traitement D’image

17 Modèles de réservoir computing - Modèles de réservoir computing: Les machines à états liquides (LSM). Les réseaux à états échoïques (ESN). Réseau de neurone – Réservoir computing –traitement D’image

Modèles de réservoir computing (Suite) Les machines à états liquides: est un réseau de neurones à reservoir qui possède la propriété d’état échoïque . Réseau de neurone – Réservoir computing –traitement D’image

Modèles de réservoir computing (Suite) Les réseaux à états échoïques: est un reseau de neurone a reservoir posséde la propriété d’états échoïques . Réseau de neurone – Réservoir computing –traitement D’image

Calculer l’etat de reservoir et la sortie K input units L output units réservoir Réseau de neurone – Réservoir computing –traitement D’image

Apprentissage d’echo state network Les entrées: (u(1), d(1)), ..., (u(T), d(T)) Les résultats finale: Réseau de neurone – Réservoir computing –traitement D’image

Apprentissage d’echo state network 22 intialiser: Calcule x(t),y(t). Ajouter dans une matrice M Ajouter dans une matrice T Calculer selon l’équation: Réseau de neurone – Réservoir computing –traitement D’image

Etapes de traitement d’images 23 IV. Traitement d’images Definition Notions générales Etapes de traitement d’images Segmentation d’images  Réseau de neurone – Réservoir computing –traitement D’image

Definition 24 l’ensemble des traitement appliquer sur l’image. Réseau de neurone – Réservoir computing –traitement D’image

25 1 Notions générales Image couleur: est une matrice de trois demenssion (Rouge, Vert, Bleu). Binarisation: codée une image sur deux niveaux de gris Image en niveaux de gris: est une image à 256 niveaux de gris (0-255), de 0 (noir) à 255 (blanc). Pixels: intersection entre une ligne et une colone d’une image matricielle Image Numérique: une ensemble de points sur une surface plane. Réseau de neurone – Réservoir computing –traitement D’image

Etapes de traitement d’images 2 Etapes de traitement d’images Prétraitement des images: corriger les défauts pour obtenir l'image théorique que l'on aurait du acquérir . Amélioration des images: pour but d'améliorer la visualisation des images. Analyse des images: d'extraire et de mesurer certaines caractéristiques de l'image. Interprétation des images: donne une signification à l'information. Réseau de neurone – Réservoir computing –traitement D’image

Segmentation d’images Segmentation basée sur les pixels. Segmentation basée sur les contours. Segmentation basée sur les régions. Réseau de neurone – Réservoir computing –traitement D’image

Segmentation basée sur les pixels 1 Segmentation basée sur les pixels  Segmentation basée sur les pixels: est une approche basique pour déterminer une région : Réseau de neurone – Réservoir computing –traitement D’image

Segmentation basée sur les contours 29 2 Segmentation basée sur les contours Segmentation basée sur les contours: un détecteur de contour passe par 3 étapes (Lissage, Différentiation, Correction). Réseau de neurone – Réservoir computing –traitement D’image

Segmentation basée sur les régions 30 3 Segmentation basée sur les régions Segmentation basée sur les régions: consiste à créer des sous-ensembles de l'image (régions). Réseau de neurone – Réservoir computing –traitement D’image

V. Conclusion L’objectif à atteindre dans les partie implémentation est de mettre en relation les ESN avec le processus de classification d’images. Réseau de neurone – Réservoir computing –traitement D’image

Merci pour votre attention