Télécharger la présentation
1
Applications du perceptron multicouche
Chapitre 4 (suite) Applications du perceptron multicouche
2
Plan 4- Perceptron multicouche Applications Sélection des paramètres
GPA-779 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) Automne 2005
3
GPA-779 Découverte J.C. Principe, N.R. Euliano et W.C. Lefebvre Neural and Adaptive Systems: Fundamentals Through Simulations John 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 Systèmes linéaires adaptatifs: exemple: filtre adaptatif qui s’ajuste au bruit Automne 2005
5
Neurones cachés versus complexité des données
GPA-779 Neurones cachés versus complexité des données TABLEAU: Sélection des paramètres et Amélioration des performances Automne 2005
10
Apprentissage versus généralisation
11
Généralisation en régression
12
Problématique: rappel
Base de données étiquetée Base d’apprentissage de test généralisation apprentissage
13
Système complet de classification
14
Influence du nombre d’époques d’apprentissage
15
Influence du nombre de neurones
16
Influence du nombre de données
17
Applications 6 Reconnaissance Optique des Caractères (O.C.R)
GPA-779 Applications 6 Reconnaissance Optique des Caractères (O.C.R) Seuillage d’images Base d’apprentissage incrémentale Data Mining, Extraction des connaissances Automne 2005
18
Applications - OCR 6 Reconnaissance Optique des Caractères (O.C.R) la lettre « s » Objectif Système OCR s Reconnaissance sans contrainte Reconnaissance hors contexte 2 9 2 8 5 deux Reconnaissance du scripte Reconnaissance des caractères manuscrits
19
Reconnaissance des chiffres manuscrits
Applications - OCR 6 Reconnaissance des chiffres manuscrits Système de prétraitement Acquisition d’images « 0 » « 1 » « 2 » …… « 9 » Extraction des primitives Système de décision
20
6 Applications - OCR Résolutions spatiale Acquisition d’images
et en niveaux de gris Acquisition d’images Système de prétraitement Extraction d’imagettes Filtrage/réduction du bruit Mise à l’échelle Extraction des primitives Primitives visuelles méthodes syntaxiques Prototypes des classes Paramètres numériques (données brutes, données transformées, ….) méthodes numériques
21
w 6 Le neurone formel en reconnaissance de chiffres
Applications - OCR 6 Le neurone formel en reconnaissance de chiffres Séparation entre deux classes Classe 1 : -1 Classe 2 : +1 Imagette d’entrée X Poids synaptiques w
22
Image des poids synaptiques
Applications - OCR 6 Exemple : Classe 1 Classe 2 Image des poids synaptiques
23
Le réseau multicouches en reconnaissance de chiffres
Applications - OCR 6 Le réseau multicouches en reconnaissance de chiffres Base d’apprentissage étiquetée , 16 (0, 0, 0, 1, 0, …, 0) 16 L
24
t L 6 LOptimal Applications - OCR
Nombre de neurones dans la couche cachée ? Base d’apprentissage étiquetée Base d’apprentissage Base de test t L LOptimal
25
Seuillage d’images : 6 Applications - 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)
26
Applications - Seuillage d’images
6
27
Concept d’apprentissage
Applications - Base d’apprentissage incrémentale 6 Base d’apprentissage incrémentale Concept d’apprentissage incrémental Ajout de nouvelles classes Les réseaux multicouches n’admettent pas cette possibilité Ajout de nouvelles formes OCR, Reconnaissance de parcellaires en imagerie satellitaire, etc.
28
6 Applications - Base d’apprentissage incrémentale
Base incrémentale en imagerie satellitaire Position du problème Vert Spot Rouge Proche infrarouge Composé couleur
29
6 x1 x2 x3 Applications - Base d’apprentissage incrémentale
Il s’agit de la classe Cm x1 x2 x3 Position, (x1 , x2, x3 ), Cm
30
6 Applications - Base d’apprentissage incrémentale Base (t) (t+1)
Classification Base (t) (t+1) Extraction d'exemples Base (t) Connaissances de l'expert Base (t+1)
31
Construction dynamique d'une base d'apprentissage
Applications - Base d’apprentissage incrémentale 6 Construction dynamique d'une base d'apprentissage Base (tf = 15) Base (t = 0) 1600 exemples /classe 100 exemples /classe
32
Extraction des connaissances d'une base d'exemples
Applications - Extraction des connaissances 6 Extraction des connaissances d'une base d'exemples Absence de connaissances a priori Une base d'exemples étiquetée Approche d'extraction de connaissances Apprentissage d'un réseau multicouches Analyse des poids synaptiques Application aux données MSN MSN, Malaises Graves (MG) et Fratries (F) 42 données épidémiologiques
33
Extraction de connaissances d'une base d'exemples
Applications - Extraction des connaissances 6 Extraction de connaissances d'une base d'exemples D1 MSN D5
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.