classification des images couleurs par un réseau de neurone quaternionique rétro-propagation
TRANSCRIPT
Université Moulay Mohamed Ben Abdellah Faculté
des Scienes Dhar Mahraz
Master: Systèmes d’information, Réseaux et multimédia
Soutenance devant le jury- 30 Juin 2016
Année Universitaire : 2015/2016
Encadré par:
Pr. EN-NAHNAHI Noureddine
Classification des images couleurs par un réseau
de neurones quaternionique rétro-propagation
1
Soutenu par: TARGHI Amal
Plan
Introduction
I. Réseaux de neurones conventionnelles
II. Moments orthogonaux quaternioniques
III. Réseau de neurone quaternionique Rétro-
propagation
IV. Simulations
Conclusion
09/07/2016 2
Introduction
Problématique et solutions
09/07/2016 3
Réseaux de neurones
conventionnelles
Réseau Multicouche• C’est un réseau de neurone qui se compose d'une ou de plusieurs
couches cachées et une seule couche d'entrée ainsi qu'une
couche de sortie.
• Algorithme d’apprentissage automatique: supervisé.
• Le réseau de neurones utilisent des fonctions d’activation.
09/07/2016 4
Apprentissage
Classification des images
Réseaux de neurones
Réseaux de neurones
conventionnellesAlgorithme de rétro-propagation
1- Initialisation
2- Activation
3- Modification des poids
4- Itérations
09/07/2016 5
I. Réseaux de neurones
conventionnelles
09/07/2016 6
i1
i2
h1
i0
h2 o2
o1
h3
0.15 0.4 0.01
0.5 0.2 0.3 0.45
0.25 0.5 0.55 0.99
0.1
0.35 0.6
1
Initialisation
I. Réseaux de neurones
conventionnelles
09/07/2016 7
Activation
An = ∑ Sm.Wnm +Tn
h(An)
I. Réseaux de neurones
conventionnelles
09/07/2016 8
Modification des poids
1. Calcul d’erreur = sortie_cible – sortie caculé
2. l’erreur quadratique moyenne
3. Modification des poids
II. Moments orthogonaux quaternionques
09/07/2016 9
Algèbre des quaternions
Opérations
Avec,
II. Moments orthogonaux quaternionques
• La formule directe pour le calcul des moments orthogonaux
quaternioniques est la suivante:
09/07/2016 10
II. Descripteurs d’images à base quaternionique
09/07/2016 11
III. Réseau de neurone quaternionique Rétro-
propagation
Neurone quaternionique
An = ∑ Sm.Wnm +Tn
Avec:
• Sm est le signal d'entrée quaternionique provenant de la sortie m.
• Wnm et le poids qui connecte le neurone m et N.
• Tn est le bias.
Remarque : les entrées, les biais, les poids et les sorties sont tous des quaternions.
12
An = x1 +x2 i + x3 j + x4 k
Le signal de sortie est défini comme suit: f(An) = f(x1) + f(x2) i + f(x3) j + f(x4) k. avec f est la fonction
d’activation sigmoïde
III. Réseau de neurone quaternionique
Rétro-propagation
09/07/201613
Réseau de neurone quaternionique Rétro-propagation
III. Réseau de neurone quaternionique
Rétro-propagation
09/07/2016 14
Mise à jour des poids
IV. Simulations
09/07/2016 15
Présentation du système
Résultats
Discussion
. Architecture
IV. Simulations
09/07/2016 16
Présentation du système
Résultats
Discussion
IV. Simulations
Paramètres
• Nous disposons de720 images couleurs et 10
classes. Chaque classe contient 72 images du
même objet, prises de différents angles. 75%
pour l’apprentissage et 25% pour le test
09/07/2016 17
Présentation du système
Résultats
Discussion
Poids initiaux: entre [-0,5, 0,5]
Fonction d’activation: Sigmoide
Taux d’apprentissage = 0.002
Constante du moment = 0.3
Nombre d’itération = 300.
09/07/2016 18
Paramètres proposésPrésentation du système
Résultats
Discussion
IV. Simulations
IV. Simulations
Nous allons comparer le QPNNN proposé par Nitta [3] avec 3
autres réseaux de neurones:
• (1) 1er cas: Réseau de neurone à valeurs réelles, où les
entrées sont issues des normes des descripteurs à base
quaternioniques.
• (2) 2ème cas: Réseau de neurone à valeurs réelles, où les
entrées sont obtenues en éclatant les quaternions en quatre
valeurs réelles.
• (3) 3ème cas: QPBNN où l’activation somme pondérée An n’est
pas répartie.
09/07/2016 19
Présentation du système
Résultats
Discussion
IV. Simulations
09/07/2016 20
Présentation du système
Résultats
Discussion
IV. Simulations
Classification
QPBNN avec répartition
09/07/2016 21
Présentation du système
Résultats
Discussion
IV. Simulations
09/07/2016 2209/07/2016 22
Présentation du système
Résultats
Discussion
QPBNN sans répartition
IV. Simulations
• BPNN basé sur la solution sur
le module
09/07/2016 23
Présentation du système
Résultats
Discussion
IV. Simulations
• BPNN basé sur la solution
sur le module
09/07/2016 24
Présentation du système
Résultats
Discussion
IV. Simulations
09/07/2016 25
Présentation du système
Résultats
Discussion
IV. Simulations
Discussion
Pour évaluer la performance d’un réseau de neurones. Il faut
évaluer le taux de Réseaux de neurones conventionnelles,
la convergence de ses erreurs quadratique et le temps
d’exécution.
Convergence
Taux de classification
Complexité en temps
09/07/2016 26
Présentation du système
Résultats
Discussion
09/07/2016 27
Conclusion
09/07/2016 28