Riconoscimento Immagini

Con una rete neurale tipo error_back_propagation, al contrario di una memoria associativa(che ammette solo valori 1/0 di input), possiamo pensare di analizzare immagini con vari livelli di grigio abbinando ad ogni input un pixel dell'immagine e il livello di grigio definito dal valore (compreso tra 0.0 e 1.0) dell'input.

L'utilizzo potrebbe essere quello di riconoscere un particolare tipo di immagine o di classificare le immagini ricevute in input: il numero degli output pertanto è uguale al numero di classi previste ed ogni output assume un valore prossimo a 1 quando l'immagine appartiene alla classe ad esso corrispondente, altrimenti un valore prossimo a 0.

Utilizzando una rete con 100 input si possono classificare immagini di 10*10 pixel (fig.1). Dovendo analizzare immagini più complesse (esempio 900 pixel 30*30) risulta più pratico utilizzare uno schema di apprendimento modulare anziché una singola rete con 900 input. Ad esempio possiamo utilizzare 9 reti da 100 input ciascuna che riconoscono una parte definita della immagine divisa in zone, ed infine una rete neurale con 9 input viene addestrata con le combinazioni di uscita delle 9 reti (fig.2).

In tab.1 si vedono i dati di training della rete finale che ha il compito di riconoscere se il numero di reti precedenti che ha riconosciuto la stessa classe di appartenenza è sufficiente a stabilire che l'immagine appartiene a tale classe: in pratica la tabella rivela una funzione di AND che però risulta "elasticizzato" dalla rete(per semplicità consideriamo solo 3 zone).

In un tale sistema la resistenza al rumore della rete finale viene posta "in serie" con quella delle reti precedenti e pertanto è conveniente effettuare addestramenti con raggiungimento di errori abbastanza piccoli al fine di evitare una eccessiva flessibilità del sistema.

Luca Marchese