Содержание и резюме
-
K. Madani and R. Kh. Sadykhov.
Редакционная статья. - с. 5-7.
-
M. Kamrul Islam.
Усовершенствованная архитектура для конкурентных и кооперативных нейронов
(CCNS) в нейронных сетях. - с. 8-15.
-
E. Volna.
Формирование эволюционной разработки нейронных сетей с разными узлами. - с. 16-23.
-
P. C. Hung, S. F. McLoone, R. Farrell.
Прямая и непрямая классификация эффективности усиления высоких частот
малошумным усилителем - сравнение между многослойными персептронами и методом
опорных векторов. - с. 24-31.
-
M. Voiry, K. Madani, V. Amarger, J. Bernier.
Уменьшение размерности данных для нейронной классификации оптических
дефектов поверхностей. - с. 32-42.
-
I. Budnyk, A. Chebira, K. Madani.
Оценка сложности задач классификации с использованием нейрокомп’ютерной
технологии. - с. 43-52.
-
R. A. Vazquez, H. Sossa.
Сеть с ассоциативной памятью для распознавания лиц и объектов. - с. 53-60.
-
Y. Kurylyak, I. Paliy, A. Sachenko, A. Chohra, K. Madani.
Выявление лиц на монохромных и цветных изображениях с использованием
комбинированного каскада классификаторов. - с. 61-71.
-
H. Kim, J. K. Tan, S. Ishikawa, T. Shinomiya.
Автоматическое выявление деформации позвоночника основанной на статистических
особенностях муаровых топографических изображений. - с. 72-78.
-
W. Bellil, C. Ben Amar, A. M. Alimi.
Обзор вейвлет сети, мультибиблиотечного учебы вейвлет сетей, аппроксимации
1D-2D функций и новый метод компрессии изображения. - с. 79-86.
-
R. Kh. Sadykhov, V. V. Ganchenko, L. P. Podenok.
Методы нечеткой кластеризации для сегментации мультиспектральних
спутниковых изображений. - с. 87-94.
РЕДАКЦИОННАЯ СТАТЬЯ
“ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ И ИНТЕЛЛЕКТУАЛЬНАЯ ОБРАБОТКА ИНФОРМАЦИИ”
Guest Editors: Kurosh Madani 1) and Rauf Kh. Sadykhov 2)
1) Prof. Dr. Kurosh Madani
PARIS-EST / PARIS 12 – Val de Marne University
Senart-FB Institute of Technology / LISSI Lab.
IUT Senart – Bat. A, Av. Pierre Point
F-77127 Lieusaint, France
Email: madani@univ-paris12.fr
2) Prof. Dr. Rauf Kh. Sadykhov
Computer Systems Department
University of Informatics and Radioelecrtronics
6 P. Brovka st, Minsk, Belarus.
Email: rsadykhov@bsuir.by
New applicative and technological challenges
emanating from industrial, socioeconomic or
environmental needs, appeared in recent decades,
have opened new dilemmas which have decisively
highlighted limitations of conventional
computational science and issued techniques. Recent
borders’ contraction between biological and
computational sciences, especially the latest
developments in bio-inspired artificial systems over
the last decade, may play a central role in designing
adequate solutions to these new challenging
dilemmas. The fantastic ever-increasing intellectual
dynamics created around bio-inspired Artificial
Intelligence and related topics (as Artificial Neural
Networks, Humanoid Robotics, Ambient
Intelligence, etc…), uphold by escalating interest of
both confirmed and young researchers on this
relatively juvenile science, generates a reach
multidisciplinary synergy between a large number of
scientific communities making conceivable a
forthcoming emergence of viable solutions to
aforementioned real-world applicative and
technological challenges.
This special issue of the International Scientific
Journal of Computing includes a selection of papers
presented at the Third International Workshop on
Artificial Neural Networks and Intelligent
Information Processing (ANNIIP), which was held
in Angers, France, May 9-12th, 2007. Since 2005, the
ANNIIP international workshop takes part in the
aforementioned appealing dynamics within the
frame of the prestigious IFAC/IEEE ICINCO
International Conference. The objective of this
workshop is to convene a set of relevant recent
works focusing Bio-inspired Artificial Intelligence
related fields and applications by offering a
privileged space to overhaul and exchange the
knowledge about further theoretical advances, new
experimental discoveries and novel technological
improvements in this promising area.
ANNIIP points toward the choice of a relatively
restricted number of papers. Such philosophy is
motivated on the one hand by the premeditated
desire to give a large space to exchanges and
discussions during the workshop, and on the other
hand by the strong principle of the presentation of
each accepted article by its authors. Conformably to
our philosophy and reaching those objectives, the
idea of the present Special Issue has been motivated
by our desire to devote an additional “scientific
space” to a number of selected papers of ANNIIP
2007 in order to complete and to extend the
presented works.
Articles composing this Special Issue are
extended versions of already accepted papers and
presented during ANNIIP 2007. That’s why we have
attached a special attention on reviewing process of
this Special Issue. In fact, our first attention has been
our premeditated desire to involve totally new
experts not belonging to ANNIIP 2007 Program
Committee. We would like to reedit our gratitude to
all those experts for the valuable work that they have
accomplished in total freedom and independency.
The papers selected for this special issue reflect
the above-proclaimed deliberate philosophy and the
variety of research presented during the workshop.
They epitomize miscellany of involved topics and
the diversity of techniques connecting Artificial
Neural Networks, genetic algorithms, evolutionary
computation, machine learning and experts’
hybridization.
The following two papers are devoted to Machine
learning mechanisms, design and architecture of
Artificial Neural Networks.
The paper “An Improved Architecture for
Competitive and Cooperative Neurons (CCNS) in
Neural Networks” by K. Islam describes competition
and cooperation in neural processing dealing
especially with the storing ability of the memory
model. The paper proposes a new architecture for
competitive and cooperative neurons improving and
increasing the storing ability.
The paper “Forming Evolutionary Design of
Neural Networks With Different Nodes” by E. Volna
presents the design of a neuron-evolution based
system. The presented system combines populations
of neurons in order to form the fully connected
multilayer feed-forward neural networks with fixed
architecture. The article shows the transfer
function’s important impact on obtained artificial
neural network’s architecture and its significant
impact on artificial neural network’s performance.
The efficiency of described method has been
evaluated on pattern recognition as well as on
alphabet coding problem.
Complex data and information classifications as
well as models’ mixing strategies (e.g. intelligent
systems) have traditionally been one of the main
pillars of ANNIIP. The three following papers
reflect three significant aspects of the
aforementioned areas. The first one is the paper
“Direct and Indirect Classification of High
Frequency LNA Gain Performance – A Comparison
between SVMs and MLPs” by P. C. Hung,
S. F. McLoone and R. Farrell, which deals with
direct and indirect ANN based classification. An
indirect Multilayer Perceptron (MLP) and direct
support vector machine (SVM) classification
strategy are considered, evaluated and compared.
The evaluation is performed considering the
challenging problem of low noise amplifiers (LNA)
design and their high-frequency performances in
functional testing. A novel testing strategy using
machine learning classifiers to predict highfrequency
LNA gain performance by combining
information from several lower frequency
measurements has been elaborated. The reported
case study shows the proposed technique’s potential
in extending the operating frequency range by 20%
at 2 GHz and 42% at 1.4 GHz.
The second key aspect relating classification
skills is data dimensionality reduction. The paper
“Data Dimensionality Reduction for Neural Based
Classification of Optical Surfaces Defects” by
M. Voiry, K. Madani, V. Amarger and J. Bernier is
concerned with this purpose. Within the frame of a
real industrial application, dealing with high-tech
optical devices production, the paper compares
different techniques which permit dimensionality
reduction and evaluate their impact on ANN based
classification tasks performances. Principal
Component Analysis (PCA), Self Organizing Maps
(SOM), Curvilinear Component Analysis (CCA) and
Curvilinear Distance Analysis (CDA) issued
techniques have been used in order to reduce the
dimensionality of the initial feature space. The paper
shows that using CDA the global defect detection
and correct classification performances reach 95%
defecting performances obtained when using raw
data (not reduced feature space).
Finally, the third key aspect coping with complex
data classification is “classification task’s
complexity estimation which is the purpose of the
paper “Estimating Complexity of Classification
Tasks Using Neuro-Computers Technology” by
I. Budnyk, A. Chebira and K. Madani. This paper
presents an alternative approach for estimating
classification tasks’ complexity. The frame of the
presented work deals with the construction of a selforganizing
neural tree-like structure, following the
“divide and rule” paradigm. A new approach using
IBM Zero Instruction Set Computer (ZISC-036)
neuro-processor is described, evaluated and applied
to a range of the different classification tasks dealing
with real-world classifications dilemmas.
If applications of Artificial Neural Networks
have been, over the last decade, an ever increasing
subject in numerous conferences relating these bioinspired
models (including ANNIIP), their
innovative applications continue to be a noteworthy
part of the workshop. During ANNIIP 2007, this
component has taken a thrilled space. This can be
appreciated in the five selected papers of this Special
Issue. Two among them focus face recognition, a
rising concern in nowadays public security domain.
The three others deal with further skills of pattern
and image recognition.
The paper “Associative Memories Network for
Face Recognition and Object Recognition” by
R. A. Vazquez and H. Sossa is devoted to a network
of associative memories (AMs) to recall a collection
of patterns. The accuracy of the proposed AMs is
evaluated on the one hand on an objects’ recognition
application and the other hand on a faces’
recognition one. First the all, the benchmarks are
split into several collections and then this collections
are used to train the network of AMs. During
training an image of a collection is associated with
the rest of the images belonging to the same
collection. Once trained the network we expected to
recover a collection of images by using as an input
pattern any image belonging to the collection.
The paper “Face Detection on Grayscale and
Color Images Using Combined Cascade of
Classifiers” by Y. Kurylyak, I. Paliy, A. Sachenko,
A. Chohra and K. Madani is another emissary
representative of how to deal with the face
recognition applications combining several
classifiers. The paper describes improved face
detection methods for grayscale and color images
using a cascade of classifiers and skin color
segmentation. The proposed multi-classifiers face
authentication method allows achieving one of the
best detection rates on available benchmarks with a
high processing speed making the proposed
approach suitable for a video flow processing. The
paper also shows that the use of a mixture of color
spaces is more efficient for the skin color
segmentation than the consideration of only one
color space.
In the paper “Automatic Detection of Spinal
Deformity Based on Statistical Features from the
Moire Topographic Images” by H. Kim, J. K. Tan,
S. Ishikawa and T. Shinomiya, a new automatic
classification method for the spinal deformity
detection. The focused application concerns the
biomedical area relating a disease mainly suffered
by teenagers during their growth stage particularly
from elementary school to middle school. The
proposed technique combines an automatic moire
image based Regions of interest’s (ROI) extractor
and Artificial Neural Network based classifier.
Several Artificial Neural Network based classifiers
have been evaluated and compared. The obtained
results reach the classification rate of 85% making
the proposed concept a suitable candidate for
designing computer aided spinal deformity detection
tool.
The paper “A Survey on Wavelet Network, Multi-
Library Wavelet Network Training, 1D-2D Function
Approximation and a New Image Compression
Method” by W. Bellil, C. Ben Amar and
A. M. Alimi focuses Wavelet Network and its Multi
library training within the frame of image
compression application. The proposed approach
takes advantage from an optimization procedure
using a wavelet functions’ library. The efficiency of
color images compression is increased comparing to
a number of conventional techniques. The loss in
processing speed can be largely corrected by
decreasing the number of wavelets in hidden layer
without decreasing considerably the compression
ratio.
Finally, the paper “Fuzzy Clustering Methods in
Multi-spectral Satellite Images Segmentation” by
R. Kh. Sadykhov, V. V. Ganchenko and
L. P. Podenok, presents the core concept Fuzzy
Clustering (FC) based satellite images segmentation.
The three FC methods (C-means, Gustafson-Kessel,
and Gath-Geva algorithms), with and without
preliminary nonlinear filtering, testify that
segmentation using fuzzy clustering methods
provides good-looking discrimination of land cover
types that occurs in the complex cases. Applied on
Landsat multi-spectral images, the obtain results
show the effectiveness of proposed concept in
segmentation of wetland, water-meadow, and bush
areas which remain awkward points in satellite
images’ analysis. The quality of segmented images
was approved by experts on the basis of land-based
expedition data.
Before ending the editorial, it is important to
remind that scientific relevance and technical quality
of a collective issue emerge from quality of its
contributors: those who contribute by the high
quality of their manuscripts. We would like to
express again our acknowledgements to contributors
of all selected papers: You are the central reason of the
nobles of this Special Issue.
It is also essential to be reminiscent that
frequently, creative dynamics is the result of fruitful
human contacts within a same scientific field or the
consequence of humans’ interactions from different
scientific communities and since 2004, the date of
the its first edition, the ICINCO multi-conference
has been an outstanding bench of such creative
synergies. For that, we would like to express our
particular gratitude to Prof. Joaquim Filipe, ICINCO
2007 Conference’s Chair, for his faith in young
science of “Bio-inspired Artificial Intelligence” and
for his reliance on including once more the ANNIIP
workshop within his valuable conference. We would
like also be thankful to Prof. Anatoly Sachenko for
devoting this privileged space of his journal to
ANNIIP 2007.
Finally, we would like to apology for the
somehow tardy reviewing processing, which have
been, nevertheless, the condition to guarantee the
freedom and total independency of Reviewing Board
in accomplishment of their valuable expertise.
Вверх
УСОВЕРШЕНСТВОВАННАЯ АРХИТЕКТУРА ДЛЯ КОНКУРЕНТНЫХ И КООПЕРАТИВНЫХ НЕЙРОНОВ
(CCNS) В НЕЙРОННЫХ СЕТЯХ
M. Kamrul Islam
School of Computing,
Queen’s University,
Kingston, K7L 3N6, ON, Canada
islam@cs.queensu.ca
В нейронных сетях, ассоциативная память является одним из блоков, для которого подача входных
образов вызывает ответ в форме сохраненных образов. В течении фазы обучения в память поступают
ряд входных векторов и в фазе вторичного вызова, когда определенные известные данные подаются
на вход, сеть совершает вторичный вызов и воссоздает выходной вектор. Тут, мы улучшаем и повышаем
запоминающее свойство модели памяти предложенной в [1]. Мы показываем, что есть примеры, где
известный алгоритм не может достигать желаемой производительности, находя точно корректный
вектор. То есть, в известном алгоритме, ряд выходных векторов могут активироваться сигналом
входного вектора, тогда как желаемый выход является одиночным вектором. Предложенное нами решение
преодолевает это и уникально определяет выходной вектор, как некоторый входной вектор, который
применен. Поэтому мы обеспечиваем более общий сценарий этой нейросетевой модели памяти, которая
состоит из конкурентных кооперативных нейронов (CCNs).
Вверх
ФОРМИРОВАНИЕ ЭВОЛЮЦИОННОЙ РАЗРАБОТКИ НЕЙРОННЫХ СЕТЕЙ
С РАЗНЫМИ УЗЛАМИ
Eva Volna
University of Ostrava,
30th Dubna st. 22,
701 03 Ostrava, Czech Republic
e-mail: eva.volna@osu.cz, http://www.osu.cz
Эволюция в искусственных нейронных сетях (например нейроэволюция) ищет через пространство поведений сеть,
которая хорошо исполняет данное задание. Здесь представлена нейроэволюционная система, которая развивает
популяцию нейронов, комбинирующихся для формирования полностью соединенной многослойной нейронной сети
прогнозирования с постоянной архитектурой. В этой статье, была показана функция превращения, как важная
часть архитектуры искусственной нейронной сети, которая имеет существенное влияние на производительность
искусственной нейронной сети. Для того, чтобы проверить эффективность описанного метода, мы применили
его для решения проблем распознавания образов и кодировки алфавита.
Вверх
ПРЯМАЯ И НЕПРЯМАЯ КЛАССИФИКАЦИЯ ЭФФЕКТИВНОСТИ УСИЛЕНИЯ
ВЫСОКИХ ЧАСТОТ МАЛОШУМНЫМ УСИЛИТЕЛЕМ - СРАВНЕНИЕ МЕЖДУ
МНОГОСЛОЙНЫМИ ПЕРСЕПТРОНАМИ И МЕТОДОМ ОПОРНЫХ ВЕКТОРОВ
Peter C. Hung, Seán F. McLoone, Ronan Farrell
Institute of Microelectronics and Wireless Systems,
Department of Electronic Engineering,
National University of Ireland Maynooth,
Maynooth, Co. Kildare, Ireland,
{phung, sean.mcloone, rfarrell}@eeng.nuim.ie,
http://imws.eeng.nuim.ie/
Задача определения эффективности малошумного усилителя (МШП) при усилении высоких частот при функциональной
проверке является такой же сложной, как непосредственное проектирование схемы, через трудности связанные с
обеспечением высокочастотных сигналов вне кристалла. Одной из возможных стратегий преодоления этих
трудностей есть попытка логично получить оценку эффективности на высоких частотах, базируясь на оценках,
полученных на более низких, более доступных, частотах. Данная статья исследует эффективность этой стратегии
для классификации коэффициента усиления усилителя на высоких частотах - ключевого параметра эффективности
МШП. Рассмотрены стратегии классификации на основе непрямих многослойных персептронов (МП) и прямого
метода опорных векторов (ОВ). Исчерпывающее моделирование Монте-Карло показало многообещающие результаты
обоих методов - метод с применением непрямих классификаторов МП незначительно опередил метод ОВ.
Вверх
УМЕНЬШЕНИЕ РАЗМЕРНОСТИ ДАННЫХ ДЛЯ НЕЙРОННОЙ КЛАССИФИКАЦИИ
ОПТИЧЕСКИХ ДЕФЕКТОВ ПОВЕРХНОСТЕЙ
Matthieu Voiry 1&2) , Kurosh Madani 1), Véronique Amarger 1), Joël Bernier 2)
1) Image, Signal and Intelligent Systems Laboratory (LISSI / EA 3956),
Senart Institute of Technology,
University PARIS XII, Av. Pierre Point,
F-77127 Lieusaint, France,
{voiry ; madani ; amarger}@univ-paris12.fr,
http://www.univ-paris12.fr/
2) SAGEM REOSC
Avenue de la Tour Maury, Saint Pierre du Perray, 91280, France
{mathieu.voiry or joel.bernier}@sagem.com
Главное задание высококачественного оптического исследования дефектов
поверхностей касается характеристики выявления царапин и дефектов в
продукции. Этот процесс очень важен, поскольку непосредственно связанный
с качеством выработанных оптических компонентов. Фаза классификации
является обязательной для завершения оптической диагностики устройств
поскольку рядом с определенным числом восстанавливаемых дефектов всегда
присутствующие и “неизменные”. К сожалению релевантные данные получены из
первичного изображения во время фазы выявления дефектов имеют высокую
размерность. Это может иметь опасное влияние на поведение искусственных
нейронных сетей, которые являются пригодными для выполнения такой
сложной классификации. Сокращение размерности данных к меньшему значению
может уменьшить проблемы, связанные с высокой размерностью. В данной
статье мы сравниваем разные методы, которые решают уменьшение размерности
и оцениваем их влияние на выполнение задач классификации.
Вверх
ОЦЕНКА СЛОЖНОСТИ ЗАДАЧ КЛАССИФИКАЦИИ С ИСПОЛЬЗОВАНИЕМ
НЕЙРОКОМП’ЮТЕРНОЙ ТЕХНОЛОГИИ
Ivan Budnyk, Abdennasser Chebira, Kurosh Madani
Images, Signals and Intelligent Systems Laboratory (LISSI / EA 3956)
PARIS 12 – Val de Marne University, Senart-Fontainebleau Institute of Technology,
Bat. A, Av. Pierre Point, F-77127 Lieusaint, France,
{ivan.budnyk, chebira, madani}@univ-paris12.fr,
http://lissi.univ-paris12.fr
В данной статье представлен альтернативный подход для оценки сложности задач.
Разработка нейронной древовидной структуры с однородной организацией с
использованием парадигмы “разделяй и руководи”, требует знания о сложности
задач. Наша цель - определить функцию-индикатор сложности и обнаружить ее
главные свойства. Новый подход использует Компьютер IBM Zero Instruction
Set Computer (Zisc-036) и используется для ряда разных задач классификации.
Вверх
СЕТЬ С АССОЦИАТИВНОЙ ПАМЯТЬЮ ДЛЯ РАСПОЗНАВАНИЯ ЛИЦ И ОБЪЕКТОВ
Roberto A. Vazquez 1), Humberto Sossa 2)
1) Center for Computing Research (CIC-IPN), Av. Juan de Dios Batiz s/n Col. Nueva Industrial Vallejo, CP. 07738
Mexico City, Mexico, ravem@ipn.mx
2) Center for Computing Research (CIC-IPN), Av. Juan de Dios Batiz s/n Colonia Nueva Industrial Vallejo CP. 07738
Mexico City, Mexico, hsossa@cic.ipn.mx
Ассоциативная память (АП) - специальный вид нейронной сети, что
позволяет ассоциацию исходного образца со входным образцом.
Некоторые проблемы требуют ассоциацию нескольких исходных образцов
с уникальным образцом. Классические ассоциативные и нейронные модели
не могут решить эту простую задачу, особенно, если эти образцы -
сложные изображения, например лицо. В данной статье предложена
сеть с ассоциативной памятью поиска в наборе образцов. Точность
данного предложенного решения проверено на двух эталонных тестах.
Один состоит из 20 объектов, а другой состоит из 20 изображений
15 разных лиц. Сначала, эталонные тесты разделены на несколько
коллекций, а затем эти коллекции используются для учебы сети с
ассоциативной памятью. Во время учебы изображения из коллекции
сравнивается с остальными изображениями, которые принадлежат к
той же коллекции. Научив сеть однажды, мы ожидали возобновление
коллекции изображений, используя в качестве входного образца
любое изображение, которое принадлежит к коллекции.
Вверх
ВЫЯВЛЕНИЕ ЛИЦ НА МОНОХРОМНЫХ И ЦВЕТНЫХ ИЗОБРАЖЕНИЯХ
С ИСПОЛЬЗОВАНИЕМ КОМБИНИРОВАННОГО КАСКАДА КЛАССИФИКАТОРОВ
Yuriy Kurylyak 1), Ihor Paliy 1), Anatoly Sachenko 1), Amine Chohra 2), Kurosh Madani 2)
1) Research Institute of Intelligent Computer Systems,
Ternopil National Economic University,
3 Peremoga Square, 46004, Ternopil, Ukraine
{yuk, ipl, as}@tneu.edu.ua
2) Images, Signals and Intelligent Systems Laboratory (LISSI / EA 3956),
PARIS XII University, Senart-FB Institute of Technology
Av. Pierre Point, Bat. A, F-77127, Lieusaint, France
{chohra, madani}@univ-paris 12.fr
В статье описаны усовершенствованные методы выявления лица на монохромных
и цветных изображениях с использованием комбинированного каскада
классификаторов и сегментация по цвету кожи. Комбинированный каскад
с предложенным методом проверки кандидатов лица дает возможность
достижения одной из лучших норм выявления на тестовом наборе университета
Карнеги-Меллон и большую скорость обработки, соответствующей для
обработки видеопотока. Также показано, что сочетание цветных интервалов
более эффективная во время сегментации по цвету кожи, чем использования
одного цветного интервала. Были проведены много экспериментов для выбора
рациональных параметров разработанной системы выявления лица, чтобы
улучшить качество выявления, погрешность позитивных примеров и
быстродействие системы.
Вверх
АВТОМАТИЧЕСКОЕ ВЫЯВЛЕНИЕ ДЕФОРМАЦИИ ПОЗВОНОЧНИКА
ОСНОВАННОЙ НА СТАТИСТИЧЕСКИХ ОСОБЕННОСТЯХ
МУАРОВЫХ ТОПОГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ
Hyoungseop Kim 1), Joo Kooi Tan 1), Seiji Ishikawa 1), Takashi Shinomiya 2)
1) Department of Control Engineering, Kyushu Institute of Technology,
1-1, Sensui, Tobata, Kitakyushu 804-8550,
Japan, kim@cntl.kyutech.ac.jp
2) Nikon Co. LTD., Japan
Деформация позвоночника - одна из болезней, на которые болеют преимущественно
подростки на стадии роста, особенно от начальной к средней школе. Есть много
разных причин аномального искривления позвоночника, но все они неизвестны.
Чтобы обнаружить деформацию позвоночника на ранней стадии, ортопеды
традиционно проводили безболезненную экспертизу, что называется наклон вперед
при массовых проверках школ. Но этот тест не является, ни объективным, ни
воспроизводимым, к тому, же тестирования занимает много времени, когда ее
проводят медкомиссии в школах. Чтобы решить эту проблему, был предложен
метод муара, который использует муаровые топографические изображения
человеческой спины и проверяет симметрию/асимметрию их муаровых образцов.
В этой статье, мы предлагаем метод автоматической оценки деформации
позвоночника, который является полученными из топографических изображений
муара, основанной на статистических особенностях изображений муара.
Применены статистические особенности степеней асимметрии, для учебы
классификатора базированного, например, на искусственной нейронной сети,
методе опорных векторов, карте самоорганизации и алгоритме Adaboost.
Вверх
ОБЗОР ВЕЙВЛЕТ СЕТИ, МУЛЬТИБИБЛИОТЕЧНОГО УЧЕБЫ ВЕЙВЛЕТ СЕТЕЙ,
АППРОКСИМАЦИИ 1D-2D ФУНКЦИЙ И НОВЫЙ МЕТОД КОМПРЕССИИ ИЗОБРАЖЕНИЯ
Wajdi Bellil 1), Chokri Ben Amar 2), Adel M.Alimi 3)
1) Faculty of sciences, University of Gafsa, City Zarroug, Gafsa, Tunisia wajdi.bellil@ieee.org
2) Department of Electrical Engineering, University of Sfax, Tunisia Chokri.benamar@ieee.org
3) Department of Electrical Engineering, University of Sfax, Tunisia Adel.Alimi@ieee.org
В данной статье представлена оригинальная архитектура Нейронной Вейвлет Сети
(НВС) основанной на мультивейвлет функции активации и использования метода
выделения, для определения набора лучших вейвлетов, чьи центры и параметры
расширения используются в качестве начальные значения для последующей учебной
библиотеки НВМ для компрессии цветного изображения и кодировки, которая
заключается в превращении RGB изображения в яркостно-хроматическом
пространстве, с последующей сегментацией поля яркости на m блоков из n х n
пикселей. Эти блоки должны быть перенесенными ряд за рядом (одномерный входной
вектор) на вход нашей вейвлет сети. Каждый входной вектор будет
рассматриваться как неизвестно функциональное отображение, а затем будет
аппроксимироваться сетью.
Вверх
МЕТОДЫ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ ДЛЯ СЕГМЕНТАЦИИ
МУЛЬТИСПЕКТРАЛЬНИХ СПУТНИКОВЫХ ИЗОБРАЖЕНИЙ
Rauf Kh. Sadykhov 1), Valentin V. Ganchenko 1), Leonid P. Podenok 2)
1) Computer Systems Department,
Belarusian State University of Informatics and Radioelecrtronics,
6 P. Brovka st, Minsk, Belarus
rsadykhov@bsuir.by, ganchenko@lsi-bas-net.by, http://www.bsuir.by
2) Laboratory of System Identification,
United Institute of Informatics Problems,
National Academy of Sciences of Belarus,
6 Surganov st, Minsk, Belarus
podenok@lsi-bas-net.by, http://uiip.bas-net.by
Представлен метод сегментации для обработки мультиспектральних спутниковых
изображений основанный на нечеткой кластеризации и предыдущей нелинейной
фильтрации. Были использованы три алгоритма нечеткой кластеризации, а
именно Fuzzy C-means, Густавсона-кесселя, и Гат-гева. Экспериментальные
результаты получено при использовании этих алгоритмов и без нелинейного
предыдущего фильтрования для деления на сегменты мультиспектральних
Landsat изображений подтвердили, что сегментация основана на нечеткой
кластеризации, обеспечивает хорошее разделение разных типов поверхности
суши. Использование алгоритмов Fuzzy C-means, Густавсона-Кесселя, и
Гат-Гева имеют линейную вычислительную сложность зависимую от начального
числа кластеров и размера изображения для одиночного шага итерации.
Они допускают внутреннее распараллеливание. Предыдущая обработка
начальных каналов с нелинейным фильтром обеспечивает более четкое
разделение кластеров, и, как следствие, более четкое выделение сегментов.
Вверх
|