Documentos de Académico
Documentos de Profesional
Documentos de Cultura
COMPUTER VISION
ndice
Aprendizaje no supervisado:
Mapas Auto-organizados SOM
- Inspiracin y objetivos
- Aprendizaje
- Ejemplo y aplicaciones
1
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
R.N.A. No supervisadas:
Mapas Auto-Organizados (SOM)
Puntos cercanos en el espacio de entrada activan neuronas
cercanas en el espacio de salida y viceversa
Cada neurona debe aprender un patrn
Neuronas cercanas deben aprender patrones similares
Rn R2 , R1
2
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION Funcionamiento del
Mapa Auto-
organizado
La relacin de vecindad de las neuronas est
predefinida
Los pesos de cada neurona determinan su posicin en el
espacio de entrada
Ejecucin:
qu neuronas se activan
ante cada entrada?
Aprendizaje:
qu neuronas aprenden la
nueva muestra?
cmo la aprenden?
3
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
ndice
Aprendizaje no supervisado:
Mapas Auto-organizados SOM
- Inspiracin y objetivos
- Aprendizaje
- Ejemplo y aplicaciones
4
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
Aprendizaje de las
COMPUTER VISION
SOM
Aprenden la neurona ms cercana a la muestra de
entrada (neurona ganadora wg) y sus vecinas
Algoritmo de aprendizaje:
- kwi = (x-wi)
= (k,ds(wi-wg))
ds(wi-wg)
k
5
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
Implementacin neuronal de
COMPUTER VISION
los SOM
Aprendizaje: determinar la neurona Clculo de distancias en
ganadora el espacio de entrada
Ejecucin: activacin de las neuronas
de salida
Solucin neuronal:
Incermento de la dimensin y Producto escalar
normalizacin de los vectores
x1
.
.
.
xi .
. .
. .
xI .
.
. 6
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Ejemplos de SOM de R2 en R1
caracterstica 2
caracterstica 1
caracterstica 2
caracterstica 1
7
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
ndice
Aprendizaje no supervisado:
Mapas Auto-organizados SOM
- Inspiracin y objetivos
- Aprendizaje
- Ejemplo y aplicaciones
8
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Ejemplos SOM
9
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Ejemplos SOM
10
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
SOM results:
COMPUTER VISION
v=0.25
v=0.5
v=0.75
11
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
SOM results:
COMPUTER VISION
12
P. Campoy
different instances different # neurons
Neural Networks and Pattern Recognition
CVG-UPM
Comandos Matlab
COMPUTER VISION
som1=newsom(minmax(psom),[10 1]);
som1=train(som1,psom)
ynt=sim(som1,tsom);
plotsom(som1.iw{1,1},som1.layers{1}.distances)
13
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
planteamiento
Teniendo como datos de aprendizaje:
load datos2D_2clases_v6.mat
p.valor t.valor
14
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
resultados
SOM 8x1 SOM 8x8
C1 C2 C1 C2
C1 100 11 C1 101 6
C2 7 182 C2 6 187
15
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
16
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
Generalizador de Funciones
Teniendo como datos de aprendizaje:
yd(i)=sin(xe(i))+normrnd(0,0.1);
17
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
Generalizador de Funciones
Partiendo de los datos del ejercicio anterior:
18
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Ejemplo SOM: Estado Trafos
Entrada 5 dimensiones: % de H2 , CH4 C2H2 C2H4 C2H6
Salida bidimensional con U-matriz
Semntica manual supervisad
19
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
Compresin de vdeo
COMPUTER VISION
mediante SOM
secuencia original datos de entrenamiento
21
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
resultados
ECM=13,47
22
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Codificadores de smbolos:
Informacin de la fuente
Informacin de un evento con probabilidad P(E):
I(E)
I(E) = - log P(E)
Ejemplo: 1 P(E)
Dado con 8 caras equiprobables con valores: 1,1,1,1,2,2,3,4
suceso P(ai) I(ai)=-log2P(ai) cdigo
1 0,5 1 0
2 0,25 2 10
3 0,125 3 110
4 0,125 3 111
Informacin media de un evento: 0,5*1+0,25*2+0,125*3+0,125*3=1,75
Entropa de la fuente es la esperanza de la informacin de un
evento: H(z) = - P(ai) log P(ai) siendo z=(P(a1) ... P(ai))T
23
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
Problemas y limitaciones de
COMPUTER VISION
24
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Ejemplos SOM
Ejemplos con entradas 2D:
- Dimensin intrnseca 2
Mapa salida 2D
Mapa salida 1D
Dimensin intrnseca 1
Mapa salida 2D
Mapa salida 1D
Dimensin intrnseca entre 1 y 2
Mapa salida 2D
Mapa salida 1D
Parmetros:
Vecindad (0), factor de aprendizaje (0),
Numero de neuronas (fil, col), nmero de muestras (N)
tiempo caracterstico (), valores iniciales
25
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
dim. intr. 1
dim. intr. 2
26
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Nuevos retos en SOM
Aprendiendo la dimensionalidad intrnseca
y la resolucin por cada dimensin
dim. intr. ?
27
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
0.9
0.8
0.7
0.6
0.5
0.4
1
0.3
1x144
0.2 0.9
0 0.7
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Red 12x12
0.6
0.5
0.4
0.3
5x29
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Red 5x29
28
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
SOMOS
29
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
SOMOS
30
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
SOMOS
31
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
SOMOS
32
P. Campoy Neural Networks and Pattern Recognition