Institut de sciences et technologies Département d’informatique

Présentation au sujet: "Institut de sciences et technologies Département d’informatique"— Transcription de la présentation:

1 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

2 Plan de travail Introduction Réseaux de neurone Réservoir Computing
Traitement d’images Conclusion

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

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

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

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

7 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 ƒ 1(s) = Réseau de neurone – Réservoir computing –traitement D’image

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

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

10 Topologie des reseaux de neurone
Les réseaux dynamiques contiennent des rebouclages partiels ou totaux. Réseau de neurone – Réservoir computing –traitement D’image

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

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

13 Apprentissage Apprentissage non supervisés: réseau sortie obtenue
ENTREES Réseau de neurone – Réservoir computing –traitement D’image

14 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

15 Réservoir computing Definition Modèles de réservoir computing
Echo state network Apprentissage d’echo state network Réseau de neurone – Réservoir computing –traitement D’image

16 Définition Réservoir computing: est un réseau récurrents contient une couche d’entrée, un réservoir et une couche de sortie. Le réservoir: est un ensemble neurones connectés aléatoirement. Réseau de neurone – Réservoir computing –traitement D’image

17 Modèles de réservoir computing
Les machines à états liquides. Les réseaux à états échoïques. Réseau de neurone – Réservoir computing –traitement D’image

18 Modèles de réservoir computing
Les machines à états liquides: explique comment un flot continue d’entrées changeant rapidement au cours du temps Réseau de neurone – Réservoir computing –traitement D’image

19 Modèles de réservoir computing
Les réseaux à états échoïques : est un réseau de neurone a réservoir possède la propriété d’états échoïques . Réseau de neurone – Réservoir computing –traitement D’image

20 Echo state network Réseau de neurone – Réservoir computing –traitement D’image

21 Apprentissage d’echo state network
Les donnes: (u(1), d(1)), ..., (u(T), d(T)) Résultats que nous voulons obtenus: Réseau de neurone – Réservoir computing –traitement D’image

22 Apprentissage d’echo state network
intialiser: Ajouter dans une matrice M Ajouter dans une matrice T Calculer selon l’équation: Réseau de neurone – Réservoir computing –traitement D’image

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

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

25 Notions générales Image Numérique Pixels Image en niveaux de gris
Image couleur Binarisation Réseau de neurone – Réservoir computing –traitement D’image

26 Notions générales Image Numérique: une ensemble de points sur une surface plane. Pixels: intersection entre une ligne et une cologne d’une image matricielle Image en niveaux de gris: est une Image à 256 couleurs Réseau de neurone – Réservoir computing –traitement D’image

27 Notions générales Image couleur: est une matrice de trois demenssion (Rouge, Vert, Bleu). Binarisation: codée une image sur deux niveaux de gris Réseau de neurone – Réservoir computing –traitement D’image

28 Etapes de traitement d’images
Prétraitement des images. Amélioration des images. Analyse des images. Interprétation des images. Réseau de neurone – Réservoir computing –traitement D’image

29 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

30 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

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

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

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

34 Conclusion On a exploité les réseaux de neurones et en particulier les réseaux de neurones à réservoirs. L’objectif à atteindre dans le futur est de mettre en relation les ESN avec le processus de classification d’images. Réseau de neurone – Réservoir computing –traitement D’image