第11章 图像识别.pptVIP

1. 处理单元 基本处理单元的动作：将输入向量同权向量相乘，再经过一次S形变换，即得到输出值。 此输出再通过网络的相互连接传递下去，成为许多PE的输入。 可用点积函数表示： X是输入向量，W是处理单元的权重向量(weight vector)，O为输出。 g[]为激励函数，非线性，形状为S形，单调增加，可微分。其变量趋向正负无穷大时，函数值分别为1和0。 2. 工作过程 （监督）学习训练 已知类别的特征向量随机呈现给神经网络。 每次输入都使PE之间的连接权中根据一种副定的规则得到细微调整，使得网络输出朝正确方向转变。 直到每个PE都收敛到合适的权重集为止。 应用——接受特征向量作为输入，产生一个输出向量标志该未知对象属于不同类别的可能性。 输入未知对象的特征向量到第一层的所有PE。通常特征向量会增加一维，其值恒为1。 这提供一个附加权重，在函数g中起到偏移量的作用。 输入信息经过不同层传播，使输出层上产生相应的输出向量，并根据输出的结果将该对象划分到某一类中。 绝大多数神经网络采用数字化仿真实现。用软件或数字信号处理芯片模拟并行计算。先模拟配置，然后训练。 3. 多层前馈神经网络(BP， Multilayer feedforward neural network) 图11.12 多层前馈神经网络模型 放大部分为神经元基本结构，偏移量? j当作不同的权值处理 (1) 分类器训练 一个训练模式：某一特定的输入向量与其对应的目标输出向量。 例如，对两层网络进行训练。 训练开始时，所有连接权设为[-0.5，0.5]区间的随机值。所有输入向量经过适当的比例调整后，使得各个分量的最小值和最大值分别为0.1和0.9。 随机挑选训练模式，输入特征向量，得到输出向量后，同目标向量做比较。根据两向量之间的差别对隐含层和输出层之间连接的权重系数做调整，使得输出向量略微趋近于目标向量。 之后，再对与输出层相连的隐含层的连接权重做相似的调整。 (2) 多层网络的训练 训练过程自顶向下，先从输出层的PE开始。输出层(k=N)的第j个结点的第i个权重系数的调整量为： （1） 广义的?（德儿塔，delta）学习规则，基于梯度下降法。 其中误差 为目标向量与实际输出向量的第j个分量（期望的输出值）之间的差别。 接着，每一隐含层结点的权重系数用下式进行调整： （2） 其中的?jk表示所有输出结点上的误差总和： 多层网络的训练 从输出层向输入层反复使用式（1）和（2）调整。 训练过程中误差传播是反向的。 训练期间，在输出层对每一输入向量统计RMS误差值。一般降至0.01以下可以停止训练。 这时称该网络已收敛。各连接的权值固定下来。 (3) 神经网络应用示例——图形分类 图11.13 第一行：参考图形 第二行：用于训练图10.10所示神经网络的典型噪声图像 图11.14 用于识别图11.12中图形的三层神经网络 类一致：Oi?0.95 类不同：Oq? 0.05 V：无噪声图形中，每个轮廓线上的像素原始坐标概率 测试噪声水平R：=1-V。随机赋予某轮廓线像素的8邻域之一的坐标的概率。 ——噪声的等级随着V的减小而增加。 检测模式：R=0.1~0.6生成100个噪声模式，共400个。 Rt：代表用于生成训练数据的R值。 从无噪声（ Rt=0）训练开始，经过一系列有序的学习过程。 度量神经网络性能的指标：错误分类的概率 图11.15 作为噪声水平函数的神经网络性能 Rt 折线代表以此值训练的神经网络，检测具有R值的数据的结果 错误分类概率 测试噪声水平( R ) 图11.16 通过增加训练模式数目改进Rt =0.4时的效果 （Rt =0.3的曲线作为参考） 错误分类概率 测试噪声水平( R ) 数字图像处理 第十一章 图像识别 李熙莹 副教授 stslxy@ 一、基本概念 让计算机具有认识或者识别图像的能力，即图像识别（模式识别）。 模式识别应用无所不在，是当今最活跃的研究领域之一。 医学：病灶 交通：车流量 遥感：区分农作物、道路、湖泊…… 文字识别…… 模式识别技术起源于人类自身对事物的认知分析过程，是依据一定的量度或观测基础把待识别模式划分到各自的模式类中去的过程。 图像识别（模式识别、目标识别）：对物体的特征进行比较、分析、判断，从而将它们分类或识别。 模式：对物体描绘（如特征）的组合。 存在于时间和空间中，可以区别它们是否相同 或相似的可观察的事物。 模式类：一个拥有某些共同性质的模式组。 w1、w2、w3 …… 指模式所属的类别或同一类中模式的总体。 模式识别所得到的结果是一幅由明确意义的数值或符号构成的图