<<
>>

3.1. Метод главных компонент как дополнительный слой СНРБ-сети

Объектно-ориентированная программа на языке С++, реализующая предложенный алгоритм СНРБ-сети, была вначале удачно протестирована на задаче распознавание искаженных символов алфавита, после чего была опробована на распознавании нескольких человеческих лиц.

Обучения выполнялось на 3-4 снимках каждого их них в различных позах. При этом оцифровки изображений этих поз попросту усреднялись с помощью весов первого слоя нейронов.

Рисунок 6. Обучающее множество фронтальных изображений человеческих лиц (первые три колонки) и их искаженные варианты распознанные СНРБ-сетью. Программа показала 98%-ю надежность при распознавании специально зашумленных и искаженных изображений тех лиц, которые использовались при обучении. В качестве примера работы программы на рисунке приведены изображения лиц трех людей, различных по полу и возрасту,

введенные в компьютер с видеокамеры, как обучающее множество и их искаженные изображения, распознанные программой. Однако при тестировании на обучающем множестве из 40 лиц, сфотографированных в десяти различных фронтальных позициях, полученных по Интернету с сайта Кембриджского университета [49], программа показала недопустимо высокий процент ошибочного "узнавания чужих" изображений. Основной причиной таких ошибок служила ситуация, когда в пространстве входных признаков с размерностью свыше 2500 множество точек, описывающих признаки человеческого лица, занимает совершенно ничтожное подпространство много меньшей размерности. В этой связи были проведены предварительные вычисления по статистической оценке ковариационной матрицы для имевшихся 400 изображений лиц, после чего с помощью метода главных компонент (МГК) были вычислены коэффициенты ортогонального преобразования Карунена-Лоева [2] в подпространство всего с 60-ю главными компонентами (на рисунке 7 показан график спадания собственных значений ковариационной матрицы с ростом их номера, послуживший обоснованием для выбора размерности подпространства).

Рисунок 7.

Упорядоченные по величине собственные значения матрицы ковариации в

зависимости от их номера. Преобразование Карунена-Лоэва представляет собой линейное преобразование, диагонализирующее матрицу ковариации представленных данных. Поскольку это именно линейное преобразование, то формально его можно реализовать в виде дополнительного слоя нейронной сети, с линейными активационными функциями нейронов. В этом случае задача обучения этого слоя решается отдельно от общего процесса обучения состоит в вычислении собственных значений матрицы ковариации. В силу положительной определенности ковариационной матрицы задача всегда имеет решение, для получения которого мы использовали QL-алгоритм с неявными сдвигами [50].

Весовой вектор этого дополнительного слоя будет равен соответствующим собственным векторам матрицы ковариации. Следует, однако, предупредить, что наблюдалась особая чувствительность МГК к вариациям изображений в освещенности, изменению масштаба и поворотам даже на небольшие углы, что может привести к появлению этих малозначимых для распознавания признаков в качестве главных компонент. 1. ш V; - ЧЯНяВНВ г ы инь - * - J ¦ цш -

ь к 1

ё т

ят,. ; , : : К.

VTi Рисунок 8. Изображены первые 20 собственных векторов набора из 400 лиц из базы [49]. Видно что есть сильная зависимость от освещенности. В этой связи были предприняты попытки проведения исследования по применению вейвлет-преобразований для предварительной обработки изображений с целью устранения влияния вышеназванных факторов разной освещенности и т.д.

<< | >>
Источник: Стадник Алексей Викторович. Использование искусственных нейронных сетей и вейвлет-анализа для повышения эффективности в задачах распознавания и классификации. 2004

Еще по теме 3.1. Метод главных компонент как дополнительный слой СНРБ-сети:

  1. Клара Ших. Эра Facebook. Как использовать возможности социальных сетей для развития вашего бизнеса, 2009
  2. Метод главных компонент
  3. Линейный дискриминантный анализ
  4. 2.2. Самонастраивающаяся нейронная сеть радиально базисного типа.
  5. 3.1. Метод главных компонент как дополнительный слой СНРБ-сети
  6. 2. ПРЕДМЕТ И МЕТОД ПРАВОВОГО РЕГУЛИРОВАНИЯ КАК ОСНОВАНИЯ ДЕЛЕНИЯ ПРАВА НА ОТРАСЛИ И ИНСТИТУТЫ
  7. 7.1.1. Метод главных компонент
  8. 2.4.1 Метод главных компонент.
  9. 2.5 Метод главных компонент.
  10. 2.6 Факторный анализ.
  11. КАК ЛЮДИ ЧИТАЮТ В СЕТИ?
  12. Наказания, которые могут выступать и как основные, и как дополнительные
  13. 11.2. Предмет и метод правового регулирования как основания деления системы права
  14. Система права, ее структура. Предмет и метод правового регулирования как основания деления права на отрасли и институты
  15. Предмет и метод правового регулирования как основания деления норм права на отрасли
  16. Введение
  17. 3.1. Организация исследования.
  18. Приложение 4.Результаты метода главных компонент.
  19. ЛОСОСЕВЫЕ НЕРЕСТОВЫЕ РЕКИ ВОСТОЧНОЙ ФЕННОСКАНДИИ
  20. 3.1. Обеспечение открытости и «прозрачности» деятельности районных судов как дополнительная мера по профилактике коррупции.