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

5 I. Introduction Les réseaux de neurones sont des ensembles d'opérateurs non linéaires interconnectés. Réservoir computing est un réseau de neurone contient un réservoir Utilise en: traitement d’images Classificationr Robotique 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 X2 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 ƒ 1(s) = Réseau de neurone – Réservoir computing –traitement D’image

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

10 Topologie des reseaux de neurone
4 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 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 de neurone – Réservoir computing –traitement D’image

12 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

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

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

15 Procédure de conception d'un réseau de neurones
14 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

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

17 recurrent "dynamical reservoir
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. input units output units recurrent "dynamical reservoir Réseau de neurone – Réservoir computing –traitement D’image

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

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

20 Modèles de réservoir computing
Echo State Network: est un reseau de neurone a reservoir posséde la propriété d’états échoïques . Réseau de neurone – Réservoir computing –traitement D’image

21 ESN c Réseau de neurone – Réservoir computing –traitement D’image
récurrent "dynamical réservoir" K input units c L output units Réseau de neurone – Réservoir computing –traitement D’image

22 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

23 Apprentissage d’echo state network
22 intialiser: 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 1 25 Notions générales Image Numérique Pixels Image en niveaux de gris
Image couleur Binarisation Réseau de neurone – Réservoir computing –traitement D’image

27 Notions générales (suite)
26 Notions générales (suite) 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

28 Notions générales (suite)
27 Notions générales (suite) 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

29 Etapes de traitement d’images
2 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

30 Etapes de traitement d’images (suite)
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

31 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

32 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

33 Segmentation basée sur les contours
32 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

34 Segmentation basée sur les régions
33 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

35 V. 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

36 Merci pour votre attention