Les réseaux de neurones à réservoir en traitement d’images

Présentation au sujet: "Les réseaux de neurones à réservoir en traitement d’images"— Transcription de la présentation:

1

2 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

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

4 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

5 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

6 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

7 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

8 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

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

10 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

11 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

12 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

13 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

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

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

16 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

17 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

18 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

19 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

20 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

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

22 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

23 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

24 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

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

26 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

27 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

28 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

29 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

30 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

31 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

32 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

33 Merci pour votre attention