Usando MLP para filtrar imagens
|
|
- Lucinda Medina Silva
- 6 Há anos
- Visualizações:
Transcrição
1 Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com, adilson@sel.eesc.usp.br Resumo Este trabalho tem como objetivo estudar arquiteturas e topologias de redes neurais artificiais que possam ser usadas como filtros de imagens contendo ruídos. Serão realizados e apresentados testes usando diversas topologias, assim como a metodologia empregada será apresentada. 1. Introdução O objetivo deste trabalho visa estudar arquiteturas e topologias de redes neurais artificiais que possam ser usadas como filtros em imagens contendo ruídos, sendo a redução de ruídos necessária em casos como o de segmentação de imagens. Abaixo apresentam-se breves conceitos relacionados a imagens ruidosas, de filtros espaciais e redes neurais Ruídos em imagens Ruídos em imagens são padrões aleatórios de pontos que superpostos à imagem como resultado de qualquer interferência, tanto na transmissão como na captura da informação, degradando a imagem e dificultando processamentos digitais de imagens, incluindo-se principalmente segmentação de imagens. Ruídos sempre estarão presentes em qualquer equipamento eletrônico, em maior ou menor grau. A capacidade de simular o funcionamento e efeitos do ruído numa imagem torna-se importante para estudar restaurações de imagens, incluindo-se os filtros, visto que é possível comparar a imagem original com a imagem restaurada através do uso da imagem com ruído[1]. Dentre os diversos tipos de ruídos aplicados a imagens, destacamse os ruídos Gaussiano, Poisson, Salt-and-Pepper e Speckle Filtros espaciais Filtros espaciais são os filtros mais utilizados atualmente em processamento de imagens digitais e consistem basicamente em definir um ponto central (x, y); executar operações envolvendo uma região de pixels (vizinhos) definidos a partir deste ponto central com valores pré-definidos em um template (máscara), sendo esta vizinhança do mesmo tamanho que o template; um novo valor do ponto central é atribuído através do resultado desta operação; e este processo é repetido para todos os pontos da imagem [1]. Podem-se separar os filtros espaciais em dois grupos, filtros espaciais lineares, se as operações realizadas no processo forem lineares e filtros espaciais não-lineares se estas operações não forem lineares. Dentre os filtros espaciais lineares, destacam-se os filtros laplacianos e gaussianos e dentre os filtros não lineares pode-se destacar o filtro da mediana. Filtros derivativos como Sobel e Prewit são utilizados principalmente para detectar bordas, assim como os filtros de Canny e Laplaciano da Gaussiana (LoG). Dois exemplos de templates usados em filtros espaciais são apresentados na figura (Fig. 1) abaixo: (a) (b) Figura 1. Templates (a) Laplaciano, (b) Roberts Redes Neurais Artificiais Redes Neurais Artificiais (RNA) são modelos computacionais inspirados no cérebro humano e que possuem a capacidade de aquisição e manutenção da informação. As RNA podem também ser definidas como um conjunto de unidades de processamento (neurônios) que são interligados por um grande número de sinapses [2]. Na Fig. 2 é apresentado o modelo geral do neurônio artificial de McCulloch, onde x são as entradas da RNA, w são seus pesos, θ é o limiar de ativação, f é a função de ativação e y a saída da rede. Tem como características a capacidade de adaptar ou aprender, inclusive aprender através de exemplos, capacidade de generalizar, agrupar ou organizar dados, auto-organizar, tolerar falhas e de não necessitar da modelagem matemática do processo. Suas principais áreas de aplicação são [2], [3]: reconhecimento de padrões, aproximação de funções, previsão/estimação, otimização
2 de funções, categorização/clustering, memórias associativas e controle de sistemas. Diversas topologias serão estudadas, diversos tamanhos de template e treinamentos serão analisados. E serão utilizados 4 tipos de ruídos: Gaussiano, Poisson, Salt-&-Pepper e Speckle (SP). Como resultados serão indicados as melhores topologias, incluindo treinamentos realizados com todos os ruídos e segmentados. 3. Desenvolvimento Figura 2. Modelo geral de neurônio artificial. Diversas são as topologias usadas em RNA, dentre elas destaca-se a topologia Perceptron Multicamadas (MLP Multllayer Perceptron). A MLP possui arquitetura feedforward e são constituídas de uma camada de entrada (X n ), uma ou mais camadas neurais escondidas (CNE), uma camada neural de saída (CS) e a saída (Y), conforme apresentado na figura abaixo (Fig. 3) [3]. Diversas são as aplicações da MLP: aproximador universal de funções, classificadores e processamento de dados, incluindo filtros [4], [5], entre outras aplicações. Várias topologias têm sido utilizadas objetivando redução de ruídos, conforme pode ser visto em [6], [7], e [8]. Figura 3. Modelo de arquitetura de uma rede MLP. 2. Metodologia O presente trabalho utilizará a arquitetura Perceptron Multicamadas para realizar filtragens nas imagens com ruídos. Para o treinamento a rede terá como entrada valores contidos em um template utilizando a imagem com ruído e como saída desejada será utilizado o valor do ponto central do template referente à imagem original da Lena (Fig. 3). Os testes serão realizados utilizando um template com valores da imagem ruidosa e deverá apresentar como saída o ponto central do template. A seguir serão apresentados os diversos passos utilizados para o desenvolvimento do projeto, elaborado com o programa MATLAB versão 7 SP3. Constitui-se como primeira etapa definir o número de treinos realizados em cada treinamento, a precisão utilizada, a taxa de aprendizagem e o número de neurônios utilizados na camada neural escondida (CNE), sendo que as três últimas variáveis foram alteradas para se obter mais possibilidades de melhoria, abaixo são apresentados os valores utilizados nestas três variáveis. N treinos [5] N neur. CNE [3; 4; 5; 7; 10; 15; 20; 25; 30] Precisão [10^-5; 10^-6] Taxa Apr. [0,1; 0,01] Tabela 1. Valores das Variáveis. Extrair os dados das imagens e gerar o arquivo contendo as entradas e a saída desejada da rede deve ser a próxima etapa a ser realizada. A extração dos dados inspirou-se na metodologia de filtros espaciais, utilizandose templates. Inicialmente empregou-se templates de 3x3 pixels e posteriormente 5x5, da mesma forma utilizou-se inicialmente imagens de 75x75 pixels e posteriormente 100x100, sendo adotado como padrão o template de 5x5 e imagens com 100x100 pixels. Figura 5. Exemplos de templates. Duas foram as abordagens para extração dos dados, visando comparar os resultados entre as abordagens. A primeira abordagem consiste em utilizar toda a imagem para treinar e testar e a segunda abordagem consiste em segmentar a imagem em 16 partes iguais (conforme imagem ilustrativa Fig. 6), treiná-las e testá-las individualmente e ao término agrupar os segmentos em uma única imagem. Figura 4. Lena.
3 imagens com ruídos a fim de verificar a eficácia do treinamento de um tipo de ruído aplicado a outros tipos. 4. Resultados Figura 6. Segmentação da imagem. Após a extração dos dados de todas as imagens, faz-se necessário treinar a rede. Utilizou-se para o treinamento cinco imagens ruidosas, sendo duas imagens com o ruído Salt-&-Pepper, com densidade de ruído 0,1 e 0,01; uma imagem utilizando-se ruído Gaussiano com média zero e variância de 0,01; uma imagem com ruído Speckle, utilizando-se a equação J = I+n*I, onde J é a imagem resultante, I a imagem original e n é o ruído aleatório com média 0 e variância 0,04 distribuído uniformemente e na última imagem foi utilizado o ruído Poisson. Obtendo-se os dados e as variáveis, foi possível realizar 180 treinamentos para as imagens inteiras e 2880 treinamentos utilizando imagens segmentadas, não considerando neste número a quantidade de treinos que cada treinamento contém. Abaixo são apresentadas as cinco imagens com ruídos. Inicialmente foi utilizado template 3x3 e imagem de 75x75 pixels, posteriormente verificou-se que templates maiores permitiram menor generalização, possibilitando melhores filtragens. A seguir é apresentada imagem com ruído Gaussiano e o resultado apresentado pela rede neural utilizando 15 neurônios na CNE, precisão de 10^-5 e taxa de aprendizagem de 0,01. Figura 5. Imagens 75x75 pixels (a) Ruído Gaussiano; (b) Imagem filtrada. Utilizando-se imagens com 100x100 pixels obtiveramse os resultados a seguir. Utilizando imagem única para treinamento da rede, como se esperava os melhores resultados foram os correspondentes de cada treinamento, ou seja, os melhores filtros para imagens com ruídos Gaussianos foram os pesos ajustados a partir de imagens com o mesmo tipo de ruído. Figura 6. Imagens com Ruídos. (a) Gaussiano; (b) Poisson; (c) SP 0,01 (d) SP 0,1 (e) Speckle. Para todos os treinamentos realizados obteve-se a média dos erros de suas saídas (diferença entre o valor resultante da RNA e valor esperado para o pixel) e com este valor pode-se definir o melhor treino realizado no treinamento e consequentemente as melhores topologias para cada tipo de ruído. Também executou-se uma série de treinamentos e testes utilizando não apenas um tipo de ruído em cada treinamento, mas todos eles em um mesmo treinamento. A última etapa refere-se aos testes. Para cada um dos treinamentos realizados foram efetuados cinco testes, ou seja, para cada treinamento foram filtradas as cinco Figura 8. Resultado da filtragem de imagens com ruído Gaussiano utilizando imagens com ruídos diferentes no treinamento (Neurônios na CNE); (a) Trein. Gauss. 15 NCE; (b) Trein. Speckle 10 NCE. A seguir pode-se observar um exemplo de seleção de topologia, neste caso usando-se 20 neurônios na camada neural escondida obteve o melhor resultado, são valores representando treinamento e testes realizados com imagens com ruídos Gaussianos. Em geral as melhores topologias obtidas tinham entre 10 e 20 neurônios e percebeu-se que a taxa de aprendizagem seria suficiente com 0,1, tendo resultados parecidos, porém com maior desempenho.
4 N NCE Médias 3 0, , , , , , , , ,1056 Tabela 2. Seleção de topologia. A Figura 8, a seguir, mostra alguns resultados obtidos através do treinamento e teste realizados com os segmentos da imagem. Pode-se verificar que com esta abordagem o filtro desempenhou melhor sua função. se comparados com os treinamentos individuais, mostrados anteriormente. Figura 10. Resultado da filtragem utilizando todos os ruídos no treinamento em imagens com diversos ruídos; (a) Gauss. 10 NCE; (b) Poisson 10 NCE; (c) SP 0,1 10 NCE. O mesmo ocorre com o treinamento segmentado, como pode ser visto na figura 11, a seguir. Figura 10. Resultado da filtragem segmentada utilizando todos os ruídos no treinamento em imagens com diversos ruídos; (a) Imagem Ruidosa Speckle; (b) Imagem Filtrada. 5. Conclusões Figura 8. Resultado da filtragem segmentada (imagem usada no treinamento/imagem usada no teste); (a) Gauss./Gauss. 15 NCE; (b) Gauss./Speckle 15 NCE (c) SP0,01/SP0,01 7 NCE; (d) SP0,01/Gauss. 7 NCE. Abaixo (Fig. 9) são apresentadas filtragens segmentadas, onde pode-se observar melhor os resultados individuais. Trein/Teste Gauss./Gauss. 15 Speckle/Poisson 10 NCE Segmento Sem ruído Com ruído Resultado Filtro RNA Figura 9. Filtragem segmentada. Utilizando-se todos os ruídos no treinamento não segmentado, não se obtém melhores resultados (Fig. 10) Conclui-se a partir dos resultados acima apresentados, que redes neurais podem ser empregadas como filtros de imagens. Treinando-se as redes para vários segmentos individuais podem melhorar os resultados se comparado aos treinamentos realizados com toda a imagem, visto que a generalização é menor. A utilização de filtros específicos para cada tipo de ruído, usual nos filtros espaciais, aplica-se a este trabalho, os resultados mostram que usando vários ruídos no treinamento, o resultado final não é melhorado. Como sugestão para trabalhos futuros, tem-se a possibilidade de usar arquiteturas de redes neurais para definir a qual classe pertence um determinado ruído, usando-se, por exemplo, redes de mapas autoorganizáveis (SOM Self-organazing Maps), e após classificar este ruído, pode-se aplicar o filtro determinado para o ruído classificado. 6. Referências [1] R. C. Gonzalez, R. E. Woods, e S. L. Eddins, Digital Image Processing Using MATLAB, Prentice-Hall, [2] S. Haykin, Neural Networks, Prentice-Hall, 1999.
5 [3] Z. L. Kovács, Redes Neurais Artificiais: Fundamentos e Aplicações, Edição Acadêmica, [4] L. Yin, J. Astola, Y. Neuvo, A New Class of Nonlinear Filters Neural Filters, IEEE, Transactions on Signal Processing, [5] K. Suzuki, I. Horiba, N. Sugie, Efficient Approximation of Neural Filter for Removing Quantum Noise From Images, IEEE, Transactions on Signal Processing, [6] H. Jahn, A Neural Network for Image Smoothing and Segmentation, Springer, Lecture Notes in Computer Science, [7] S. W. Perry, L. Guan, Weight Assignment for Adaptive Image Restoration by Neural Networks, IEEE, Transactions on Neural Network, vol. 11, [8] M. Haritopoulos, H. Yin, e N. M. Allinson, Image denoising using self-organizing map-based nonlinear independent component analysis, Elsevier, Neural Networks, vol. 15, 2002.
Introdução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisDetecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais Wellington da Rocha Gouveia Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisReconhecimento de Padrões em imagens ruidosas utilizando Redes Neurais Artificiais
Reconhecimento de Padrões em imagens ruidosas utilizando Redes Neurais Artificiais Leandro Sebastian Pereira da Silva, Ana Carolina N. Gracioso, Ana Claudia Paris, Adilson Gonzaga. USP/EESC Universidade
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisProcessamento de Imagens Termais Aplicado à Navegação Autônoma. Wanessa da Silva
Processamento de Imagens Termais Aplicado à Navegação Autônoma Wanessa da Silva Outubro, 2016 Introdução Roteiro Métodos Imagens Utilizadas Resultados Considerações Finais 1. Introdução 2. Métodos 4. Imagens:
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS INTRODUÇÃO Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 REDES NEURAIS ARTIFICIAIS - RNAs Inspiradas no cérebro humano São modelos computacionais inspirados nos mecanismos
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisProcessamento de Imagens Digitais
Processamento de Imagens Digitais Antonio Cesar Germano Martins 2º semestre de 2018 Apresentações Nascido em Sorocaba. Graduado em Bacharelado em Física pela UNICAMP em 1989, tendo participado de pesquisas
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisAPLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS EM IMAGENS GERADAS POR ULTRA-SOM
VIII ERMAC 8 o Encontro Regional de Matemática Aplicada e Computacional 0- de Novembro de 008 Universidade Federal do Rio Grande do Norte Natal/RN APLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS
Leia maisT4.1 Processamento de Imagem
T4.1 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas 4.
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisESTUDO DE ALGORITMO MLP COMO APROXIMADOR DE FUNÇÃO
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2016 Rafain Palace Hotel & Convention Center- Foz do Iguaçu - PR 29 de agosto a 1 de setembro de 2016 ESTUDO DE ALGORITMO MLP COMO APROXIMADOR
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Leia maisAVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS
AVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS Hedlund Erik Martins Távora 1, John Hebert Da Silva Felix 2, Darleison Rodrigues Barros Filho 3, Fausta Joaquim Faustino
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRONS Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Forma mais simples de configuração das RNAs Rosenblatt (1958) retina área de projeção área de associação respostas
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 2 Processamento Espacial (Parte 2)
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 2 Processamento Espacial (Parte 2) Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Inteligência Artificial
Leia maisNeural Networks. Neurônios: Elementos aritméticos simples. Redes Neuronais: conj de neurônios interligados.
Neural Networks Neural Networks Do ponto de vista computacional: métodos para representar funções usando redes de elementos aritméticos simples, e aprender tais representações através de exemplos. Do ponto
Leia maisCLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO BASEADA EM TEXTURA POR REDES NEURAIS ADRIANO BELUCO 1 ALEXANDRE BELUCO 2 PAULO MARTINS ENGEL 3
CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO BASEADA EM TEXTURA POR REDES NEURAIS ADRIANO BELUCO 1 ALEXANDRE BELUCO 2 PAULO MARTINS ENGEL 3 1 CEPSRM - Centro Estadual de Pesquisa em Sensoriamento Remoto
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisRealce de imagens parte 2: ltragem espacial SCC5830/0251 Processamento de Imagens
Realce de imagens parte 2: ltragem espacial SCC5830/0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti
Leia maisTE073 PDS II Programa de Graduação em Engenharia Elétrica
TE073 PDS II Programa de Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Segmentação Os algoritmos
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisEstudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial
Estudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial Renan Bessa 1, Elder dos Santos Teixeira 2, Guilherme Costa Holanda 3, Auzuir Ripardo de Alexandria 4 1 Graduando em
Leia maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisFILTRAGEM DE IMAGEM NO DOMÍNIO ESPACIAL (Operações aritméticas orientadas à vizinhança)
PROCESSAMENTO DE IMAGEM #5 Operações Aritméticas Orientadas à Vizinhanças Filtragem no Domínio Espacial (Máscaras) Máscaras de suavização (média e mediana) e aguçamento (laplaciano) Correlação x Convolução
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisPrimeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Leia maisSNP33D90 REDES NEURAIS ARTIFICIAIS
SNP33D90 REDES NEURAIS ARTIFICIAIS Engenharia Elétrica Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 1. IDENTIFICAÇÃO UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Disciplina: REDES NEURAIS ARTIFICIAIS
Leia maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisRedes Neurais Artificiais. Capítulos 1 e 2
Redes Neurais Artificiais Introdução Capítulos 1 e 2 Redes Neurais Artificiais (RNA) São modelos computacionais inspirados nos mecanismos de aprendizagem do cérebro humano. São modelos computacionais que
Leia maisProcessamento de Imagem. Filtragem no Domínio Espacial Professora Sheila Cáceres
Processamento de Imagem Filtragem no Domínio Espacial Professora Sheila Cáceres Filtragem A filtragem de imagens pode ser realizada no domínio do espaço e da frequência Operadores de filtragem são classificados
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCENS UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisAplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados
Aplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados 1 Vinicius Carvalho Beck 2 Júlio Renato Q. Marques 3 Fabrício P. Härter Universidade
Leia maisRedes neurais aplicadas na redução de ruído impulsivo de imagens digitais
Redes neurais aplicadas na redução de ruído impulsivo de imagens digitais Pablo Luiz Braga Soares 1 José Patrocínio da Silva 1 Resumo: Este trabalho propõe a utilização de um novo método para detecção
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Processamento da Informação Capturei uma Imagem! E agora? Assumindo que
Leia maisDetecção de Resíduos em Imagens de Bolsas para Coleta de Sangue Utilizando Redes Neurais Artificiais nos canais RGB
Detecção de Resíduos em Imagens de Bolsas para Coleta de Sangue Utilizando Redes Neurais Artificiais nos canais RGB Cássio Avelino Adorni cassioaa@ig.com.br Adilson Gonzaga adilson@sel.eesc.usp.br Departamento
Leia maisUnidade 08 MATLAB Neural Network Toolkit
Unidade 08 MATLAB Neural Network Toolkit 1. Introdução Uma rede neural artificial (NN daqui em diante) é um modelo matemático que consiste de neurônios interconectados que imitam, em uma escala menor,
Leia maisDesenvolvimento de um Software para auxiliar o estudo da relação entre análise química e característica visual em plantas medicinais
Desenvolvimento de um Software para auxiliar o estudo da relação entre análise química e característica visual em plantas medicinais Vinícius Leonardo Gadioli da Silva 1,4 Bernardo Antônio Tavares Gomes
Leia maisProcessamento de Imagem. Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres
Processamento de Imagem Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres Lembrando Filtragem Correlação A correlação e a convolução sãos dois conceitos relacionados a filtragem.
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisBruna Galle UPE Ecomp Mêuser Valença UPE Ecomp
Bruna Galle UPE Ecomp bcga@ecomp.poli.br Mêuser Valença UPE Ecomp meuserv@yahoo.com.br Roteiro Motivação Objetivos Conceitos básicos: Redes Neurais Pré processamento dos Dados Treinamento Resultados Conclusões
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curto prazo Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) O que são? são técnicas computacionais que apresentam um modelo matemático inspirado
Leia maisTransformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais
Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais Abstract. Jader Teixeira 1, Alex Vinícios Telocken 1 1 Universidade de Cruz Alta (UNICRUZ) jader033139@unicruz.edu.br,
Leia maisAVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO
AVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO GUSTAVO TADEU ZANIBONI 1 LUCIANO VIEIRA DUTRA 1 1 INPE - Instituto
Leia maisIntrodução à Teoria do Aprendizado
Introdução à Teoria do Aprendizado Carlos Hall Os processos no mundo real são intrinsecamente: dinâmicos (dependem do tempo) não lineares não gaussianos não estacionários com restrições com interações
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) 12/07/08 08:09 Informação - ICPG - Criciuma - SC 1 Fundamentação Biológica, O Neurônio
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisProcessamento Digital de Imagens. Análise de Imagens
Processamento Digital de Imagens Análise de Imagens Eduardo A. B. da Silva Programa de Engenharia Elétrica - COPPE/UFRJ Laboratório de Sinais, Multimídia e Telecomunicações eduardo@smt.ufrj.br Sergio L.
Leia maisOrganização de um sistema de produção em células de fabricação utilizando redes neurais
Organização de um sistema de produção em células de fabricação utilizando redes neurais Deise Mota Alves (USP) deisemalves@gmail.com Ricardo Coser Mergulhão (UFSCar) mergulhão@dep.ufscar.br Adilson Gonzaga
Leia maisProcessamento de Imagens Marcia A. S. Bissaco
Engenharia Biomédica Processamento de Imagens Marcia A. S. Bissaco 1 Exemplos filtros Média Mediana Passa_B Passa_A Borda_H Borda_V Sobel_Y Sobel_X Oliveira, Henrique J. Quintino (UMC-SP), 2 Media Mediana
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisUMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS. Rogério Vargas DCET UESC Home page: rogerio.in
UMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS Rogério Vargas DCET UESC Home page: rogerio.in Exemplo de aplicações: automação e visão artificial reconhecimento de caracteres análise de cromossomos veículos
Leia maisUtilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos
Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Leandro M. de Souza Resumo Neste artigo, é proposta uma metodologia que utiliza Redes Neurais Artificiais
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia mais