Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

La classificazione di immagini telerilevate mediante reti neurali fuzzy Artmap: tecniche di apprendimento incrementale

Un classificatore destinato all'apprendimento incrementale di immagini telerilevate deve operare attraverso una sequenza di stati operativi: un apprendimento supervisionato iniziale, fasi di riaddestramento supervisionato (immagini multispettrali + verità a terra), fasi di riaddestramento non supervisionato (mancanza della verità a terra),fasi di riaddestramento supervisionato con nuove classi informative.

Gli obiettivi della tesi sono stati quelli di: (1) impostare il problema dell'apprendimento sequenziale di immagini multispettrali telerilevate con un classificatore neurale incrementale basato sulla Teoria della Risonanza Adattativa (ART), (2) approfondire lo studio delle dinamiche di apprendimento incrementale della rete neurale fuzzy ARTMAP nella classificazione di immagini, (3) verificare sperimentalmente le prestazioni del classificatore fuzzy ARTMAP in contesti di apprendimento incrementale di immagini telerilevate,(4) proporre alcune tecniche innovative che estendono le funzionalità base della fuzzy ARTMAP, con un meccanismo di espansione - compressione della memoria che ottimizza l'utilizzo della rete neurale nell'apprendimento sequenziale.

L'apprendimento incrementale fuzzy ARTMAP ha messo in evidenza caratteristiche importanti: (1) Stabilità di apprendimento: le sperimentazioni hanno dimostrato che le infomazioni apprese non sono dimenticate nelle successive sessioni di riaddestramento con nuove immagini. (2) Accuratezza di classificazione: i risultati sperimentali ottenuti con il classificatore fuzzy ARTMAP evidenziano migliori accuratezze di classificazione rispetto a quelle ottenute con un classificatore GrowingRBF.

Le tecniche proposte hanno esteso le funzionalità della fuzzy ARTMAP realizzando un sistema di classificazione che si è rivelato adatto all'apprendimento di nuove immagini, attraverso: (1) un meccanismo di espansione effettuata mediante la tecnica delle added classes (caso supervisionato) e del similitude mapping (caso non supervisionato), (2) un meccanismo di compressione (tunable pruning) della memoria evolutiva della rete neurale.

Mostra/Nascondi contenuto.
1. Introduzione [n] Questa tesi nasce nell'ambito della ricerca sui classificatori neurali applicati ad immagini telerilevate. Lo studio è stato sviluppato nel laboratorio di Remote Sensing Image Analysis (RSIA), che fa parte del Signal Processing & Telecommunications Group presso il Dipartimento di Ingegegneria Biofisica ed Elettonica (DIBE) della facoltà di Ingegneria Elettronica dell'Università di Genova. 1.1 Premesse e motivazioni [c][n] L'approfondimento delle tematiche affrontate in questa trattazione è contestuale alla ricerca fatta dal laboratorio Remote Sensing Image Analysis , nell'ambito dell'apprendimento incrementale dei classificatori neurali in applicazioni di pattern recognition che utilizzano immagini telerivelate [54][55][56][57][58][59][60][61][62]. Un tema fondamentale nell'ambito del telerilevamento è il problema della minimizzazione dei costi di riaddestramento di un classificatore che elabora immagini multispettrali e multitemporali acquisite su una certa area geografica prestabilita. In particolare, un problema significativo incontrato nella classificazione delle immagini telerilevate, è che un classificatore addestrato su una particolare immagine img ( t k ) raramente fornisce prestazioni sufficienti quando utilizzato con un'immmagine diversa. Una volta che si é addestrato un classificatore a riconoscere un una immagine ad un certo istante temporale tk, si vorrebbe che il sistema fosse in grado di essere riaddestrato, successivamente nel tempo, con nuove immagini della stessa area geografica mantenendo una sufficente accuratezza di classificazione su tutte le immagini che hanno contribuito all'addestramento successivamente nel tempo, a partire da uno stato iniziale fino a tk. Un classificatore incrementale di immagini consiste in un sistema di elaborazione capace di: (a) acquisire nuova conoscenza quando nuove immagini diventano disponibili, (b) mantenere la conoscenza acquisita con le immagini precedenti. Sono state presentate a tutt'oggi soluzioni di apprendimento incrementale che utilizzano sia sistemi basati sulla classificazione Bayesiana, sia sistemi basati sulle reti neurali artificiali. Nell'ambito dei classificatori neurali é stata sviluppata al RSIA una rete neurale di tipo growing radial basis functions (3.3.1.1) che offre buone prestazioni ed é stata il punto di partenza concettuale del mio lavoro, oltre che il riferimento di confronto per le sperimentazioni effettuate [60][61][62]. Nell'analisi delle varie architetture neurali che affrontano il problema della classificazione con apprendimento incrementale, ho trovato particolarmente interessanti le reti neurali ART: la Adaptive Resonance Theory è la teoria che stà alla base della macchina neurale implementata da S. Grossberg e G. Carpenter nel 1987 nell'intento di realizzare un sistema che risolvesse lo stability-plasticity dilemma (4): il compromesso tra stabilità e plasticità che tutti i sistemi di apprendimento incrementale devono risolvere [1][1b][2][3][3a][4]. Una proprietà fondamentale delle reti neurali che attuano una auto-organizzazione (attraverso una allocazione dinamica dei nodi) é l'abilità di apprendere nuova conoscenza senza dimenticare le informazioni apprese in addestramenti precedenti. Nell'ambito della classificazione é necessario che i sistemi di apprendimento incrementale siano in grado di essere plastici per potersi facilmente adattare nell'aquisizione di nuove informazioni, senza

Tesi di Laurea

Facoltà: Ingegneria

Autore: Giorgio Robino Contatta »

Composta da 174 pagine.

 

Questa tesi ha raggiunto 3365 click dal 20/03/2004.

 

Consultata integralmente una volta.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.