Зміст і резюме
-
K. Madani and R. Kh. Sadykhov.
Редакційна стаття. - с. 5-7.
-
M. Kamrul Islam.
Вдосконалена архітектура для конкурентих і кооперативних нейронів
(CCNS) в нейронних мережах. - с. 8-15.
-
E. Volna.
Формування еволюційної розробки нейронних мереж з різними вузлами. - с. 16-23.
-
P. C. Hung, S. F. McLoone, R. Farrell.
Пряма і непряма класифікація ефективності підсилення високих частот
малошумним підслювачем – порівняння між багатошаровими
перцептронами і методом опорних векторів. - с. 24-31.
-
M. Voiry, K. Madani, V. Amarger, J. Bernier.
Зменшення розмірності даних для нейронної класифікації оптичних
дефектів поверхонь. - с. 32-42.
-
I. Budnyk, A. Chebira, K. Madani.
Оцінка складності задач класифікації з використанням нейрокомп’ютерної
технології. - с. 43-52.
-
R. A. Vazquez, H. Sossa.
Мережа з асоціативною пам’яттю для розпізнавання облич і об’єктів. - с. 53-60.
-
Y. Kurylyak, I. Paliy, A. Sachenko, A. Chohra, K. Madani.
Виявлення облич на монохромних і кольорових зображеннях із
використанням комбінованого каскаду класифікаторів. - с. 61-71.
-
H. Kim, J. K. Tan, S. Ishikawa, T. Shinomiya.
Автоматичне виявлення деформації хребта основаної на статистичних
особливостях муарових топографічних зображень. - с. 72-78.
-
W. Bellil, C. Ben Amar, A. M. Alimi.
Огляд вейвлет мережі, мультибібліотечного навчання вейвлет мереж,
апроксимації 1D-2D функцій і новий метод компресії зображення. - с. 79-86.
-
R. Kh. Sadykhov, V. V. Ganchenko, L. P. Podenok.
Методи нечіткої кластеризації для сегментації мультиспектральних
супутникових зображень. - с. 87-94.
РЕДАКЦІЙНА СТАТТЯ
“ШТУЧНІ НЕЙРОННІ МЕРЕЖІ ТА ІНТЕЛЕКТУАЛЬНА ОБРОБКА ІНФОРМАЦІЇ”
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.
До змісту
ВДОСКОНАЛЕНА АРХІТЕКТУРА ДЛЯ КОНКУРЕНТИХ
І КООПЕРАТИВНИХ НЕЙРОНІВ (CCNS) В НЕЙРОННИХ МЕРЕЖАХ
M. Kamrul Islam
School of Computing,
Queen’s University,
Kingston, K7L 3N6, ON, Canada
islam@cs.queensu.ca
У нейронних мережах, асоціативна пам’ять є одним з блоків, для якого подача вхідних образів
викликає відповідь у формі збережених образів. Протягом фази навчання в пам’ять поступають ряд
вхідних векторів і у фазі повторного виклику, коли певні відомі дані подаються на вхід, мережа
здійснює повторний виклик і відтворює вихідний вектор. Тут, ми покращуємо і підвищуємо
запам'ятовуючу здатність моделі пам'яті запропонованої в [1]. Ми показуємо, що є приклади, де
відомий алгоритм не може досягати бажаної продуктивності знаходячи точно коректний вектор.
Тобто, у відомому алгоритмі, ряд вихідних векторів можуть активуватися сигналом вхідного
вектора, тоді як бажаний вихід є одиночним вектором. Запропоноване нами рішення долає це і
унікально визначає вихідний вектор, як певний вхідний вектор, що застосовано. Тому ми
забезпечуємо більш загальний сценарій цієї нейромережевої моделі пам’яті, що складається з
конкурентних кооперативних нейронів (CCNs).
До змісту
ФОРМУВАННЯ ЕВОЛЮЦІЙНОЇ РОЗРОБКИ НЕЙРОННИХ МЕРЕЖ
З РІЗНИМИ ВУЗЛАМИ
Eva Volna
University of Ostrava,
30th Dubna st. 22,
701 03 Ostrava, Czech Republic
e-mail: eva.volna@osu.cz, http://www.osu.cz
Еволюція в штучних нейронних мережах (наприклад нейроеволюція) шукає через простір
поведінок мережу, яка добре виконує дане завдання. Тут представлена нейроеволюційна система, що
розвиває популяцію нейронів, що комбінуються для формування повністю з’єднаної багатошарової
нейронної мережі прогнозування зі сталою архітектурою. У цій статті, було показано функцію
перетворення, як важливу частину архітектури штучної нейронної мережі, що має істотний вплив на
продуктивність штучної нейронної мережі. Для того, щоб перевірити ефективність описаного методу,
ми застосували його для вирішення проблем розпізнавання образів і кодування алфавіту.
До змісту
ПРЯМА І НЕПРЯМА КЛАСИФІКАЦІЯ ЕФЕКТИВНОСТІ ПІДСИЛЕННЯ
ВИСОКИХ ЧАСТОТ МАЛОШУМНИМ ПІДСЛЮВАЧЕМ – ПОРІВНЯННЯ МІЖ
БАГАТОШАРОВИМИ ПЕРЦЕПТРОНАМИ І МЕТОДОМ ОПОРНИХ ВЕКТОРІВ
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 визначення ефективності малошумного підсилювача (МШП) при підсиленні високих
частот при функціональній перевірці є такою ж складною, як безпосереднє проектування схеми, через
труднощі пов’язані із забезпеченням високочастотних сигналів поза кристалом. Однією з можливих
стратегій подолання цих труднощів є спроба логічно отримати оцінку ефективності на на високих
частотах, базуючись на оцінках отриманих на нижчих, доступніших, частотах. Дана стаття досліджує
ефективність цієї стратегії для класифікації коефіцієнта підсилення підсилювача на високих частотах
– ключового параметра ефективності МШП. Розглянуто стратегії класифікації на основі непрямих
багатошарових перцептронів (БП) і прямого методу опорних векторів (ОВ). Вичерпне моделювання
Монте-Карло показало багатообіцяючі результати обох методів – метод із застосуванням непрямих
класифікаторів БП незначно випередив метод ОВ.
До змісту
ЗМЕНШЕННЯ РОЗМІРНОСТІ ДАНИХ ДЛЯ НЕЙРОННОЇ КЛАСИФІКАЦІЇ
ОПТИЧНИХ ДЕФЕКТІВ ПОВЕРХОНЬ
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
Головне завдання високоякісного оптичного дослідження дефектів поверхонь стосується
характеристики виявлення подряпин і дефектів у продукції. Цей процес дуже важливий, оскільки
безпосередньо пов’язаний з якістю вироблених оптичних компонентів. Фаза класифікації є
обов’язковою для завершення оптичної діагностики пристроїв оскільки поряд із певним числом
відновлюваних дефектів завжди присутні і “незмінні”. На жаль релевантні дані отримані з
первинного зображення під час фази виявлення дефектів мають високу розмірність. Це може мати
небезпечний вплив на поведінку штучних нейронних мереж, котрі є придатними для виконання такої
складної класифікації. Скорочення розмірності даних до меншого значення може зменшити
проблеми, пов’язані з високою розмірністю. В даній статті ми порівнюємо різні методи, що
вирішують зменшення розмірності і оцінюють їх вплив на виконання задач класифікації.
До змісту
ОЦІНКА СКЛАДНОСТІ ЗАДАЧ КЛАСИФІКАЦІЇ З ВИКОРИСТАННЯМ
НЕЙРОКОМП’ЮТЕРНОЇ ТЕХНОЛОГІЇ
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 даній статті представлено альтернативний підхід для оцінки складності задач. Розробка
нейронної деревовидної структури з однорідною організацією з використанням парадигми “розділяй і
керуй”, вимагає знання про складність задач. Наша мета – визначити функцію-індикатор складності і
виявити її головні властивості. Новий підхід використовує Комп’ютер IBM © Zero Instruction Set
Computer (ZISC-036 ®) і використовується для ряду різних задач класифікації.
До змісту
МЕРЕЖА З АСОЦІАТИВНОЮ ПАМ’ЯТТЮ ДЛЯ РОЗПІЗНАВАННЯ ОБЛИЧ І ОБ’ЄКТІВ
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
Асоціативна пам’ять (АП) – спеціальний вид нейронної мережі, що дозволяє асоціацію вихідного
зразка з вхідним зразком. Деякі проблеми вимагають асоціацію декількох вихідних зразків з
унікальним зразком. Класичні асоціативні і нейронні моделі не можуть вирішити цю просту задачу,
особливо, якщо ці зразки – складні зображення, наприклад обличчя. В даній статті запропонована
мережа з асоціативною пам’яттю пошуку в наборі зразків. Точність даної запропонованого рішення
перевірено на двох еталонних тестах. Один складається з 20 об’єктів, а інший складається з 20
зображень 15 різних облич. Спершу, еталонні тести розділені на кілька колекцій, а потім ці колекції
використовуються для навчання мережі з асоціативною пам’яттю. Під час навчання зображення з
колекції порівнюється з рештою зображень, що належать до тієї ж колекції. Навчивши мережу одного
разу, ми очікували на відновлення колекції зображень використовуючи в якості вхідного зразка будь-
яке зображення, що належить до колекції.
До змісту
ВИЯВЛЕННЯ ОБЛИЧ НА МОНОХРОМНИХ І КОЛЬОРОВИХ ЗОБРАЖЕННЯХ
ІЗ ВИКОРИСТАННЯМ КОМБІНОВАНОГО КАСКАДУ КЛАСИФІКАТОРІВ
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 статті описано вдосконалені методи виявлення обличчя на монохромних і кольорових
зображеннях з використанням комбінованого каскаду класифікаторів і сегментацію за кольором
шкіри. Комбінований каскад із запропонованим методом перевірки кандидатів обличчя дає
можливість досягнення однієї з кращих норм виявлення на тестовому наборі університету Карнегі-
Меллон і велику швидкість обробки, відповідній для обробки відеопотоку. Також показано, що
поєднання кольорових інтервалів ефективніша під час сегментації за кольором шкіри, ніж
використання одного кольорового інтервалу. Було проведено багато експериментів для вибору
раціональних параметрів розробленої системи виявлення обличчя, щоб поліпшити якість виявлення,
похибку позитивних прикладів і швидкодію системи.
До змісту
АВТОМАТИЧНЕ ВИЯВЛЕННЯ ДЕФОРМАЦІЇ ХРЕБТА ОСНОВАНОЇ НА СТАТИСТИЧНИХ
ОСОБЛИВОСТЯХ МУАРОВИХ ТОПОГРАФІЧНИХ ЗОБРАЖЕНЬ
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
Деформація хребта – одна з хвороб, на котрі хворіють переважно підлітки на стадії росту,
особливо від початкової до середньої школи. Є багато різних причин аномального викривлення
хребта, але всі вони невідомі. Щоб виявити деформацію хребта на ранній стадії, ортопеди традиційно
проводили безболісну експертизу, що називається нахил вперед при масових перевірках шкіл. Але
цей тест не є ні об’єктивним ні відтворюваним, до того ж тестування займає багато часу, коли її
проводять медкомісії в школах. Щоб вирішити цю проблему, було запропоновано метод муару, який
використовує муарові топографічні зображення людських спин і перевіряє симетрію/асиметрію їх
муарових зразків. У цій статті, ми пропонуємо метод автоматичної оцінки деформації хребта, що є
отриманими з топографічних зображень муару, заснованої на статистичних особливостях зображень
муару. Застосовані статистичні особливості ступенів асиметрії, для навчання класифікатора
базованого наприклад на штучній нейронній мережі, методі опорних векторів, карті самоорганізації і
алгоритмі AdaBoost.
До змісту
ОГЛЯД ВЕЙВЛЕТ МЕРЕЖІ, МУЛЬТИБІБЛІОТЕЧНОГО НАВЧАННЯ ВЕЙВЛЕТ МЕРЕЖ,
АПРОКСИМАЦІЇ 1D-2D ФУНКЦІЙ І НОВИЙ МЕТОД КОМПРЕСІЇ ЗОБРАЖЕННЯ
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 даній статті представлено оригінальну архітектуру Нейронної Вейвлет Мережі (НВМ) основаної
на мультивейвлет функції активації і використання методу виділення, для визначення набору кращих
вейвлетів, чиї центри і параметри розширення використовуються як початкові значення для
подальшої навчальної бібліотеки НВМ для компресії кольорового зображення і кодування, що
полягає в перетворенні RGB зображення в яскравісно-хроматичному просторі, з подальшою
сегментацією поля яскравості на m блоків з n х n пікселів. Ці блоки повинні бути перенесеними ряд за
рядом (одномірний вхідний вектор) на вхід нашої вейвлет мережі. Кожен вхідний вектор
розглядатиметься як невідоме функціональне відображення, а потім апроксимуватиметься мережею.
До змісту
МЕТОДИ НЕЧІТКОЇ КЛАСТЕРИЗАЦІЇ ДЛЯ СЕГМЕНТАЦІЇ МУЛЬТИСПЕКТРАЛЬНИХ
СУПУТНИКОВИХ ЗОБРАЖЕНЬ
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
Представлено метод сегментації для обробки мультиспектральних супутникових зображень
оснований на нечіткій кластеризації і попередній нелінійній фільтрації. Було використано три
алгоритми нечіткої кластеризації, а саме Fuzzy C-means, Густавсона-Кесселя, і Гат-Гева.
Експериментальні результати отримані при використанні цих алгоритмів і без нелінійного
попереднього фільтрування для поділу на сегменти мультиспектральних Landsat зображень
підтвердили, що сегментація основана на нечіткій кластеризації, забезпечує добре розділення різних
типів поверхні суші. Використання алгоритмів Fuzzy C-means, Густавсона-Кесселя, і Гат-Гева мають
лінійну обчислювальну складність залежну від початкового числа кластерів і розміру зображення для
одиночного кроку ітерації. Вони допускають внутрішнє розпаралелювання. Попередня обробка
початкових каналів з нелінійним фільтром забезпечує чіткіше розділення кластерів, і, як наслідок,
чіткіше виділення сегментів.
До змісту
|