👩‍🎤 😠 🕷️ Memori cluster dengan aproksimasi 👚 🏁 😾

Memori dengan pendekatan nonlinier di dalam kelompok data dikembangkan. Cluster diusulkan untuk dialokasikan menggunakan metode k-means. Perkiraan harus dilakukan dengan menggunakan pelatihan ansambel jaringan saraf. Memori cluster diuji menggunakan filter adaptif untuk mengonversi warna gambar. Menurut hasil percobaan komputer, memori jenis ini menunjukkan kemampuan belajar selektif yang baik. Dengan contoh filter adaptif, dimungkinkan untuk melatih memori untuk mengubah seluruh palet warna gambar.

Pendahuluan

Kelemahan signifikan dari jaringan saraf perceptron adalah kemampuannya yang buruk untuk menggeneralisasi data multikluster. Secara khusus, masalah XOR untuk mempelajari fungsi logis tidak dapat diselesaikan dengan satu perceptron, karena dua tren yang saling bertentangan dapat ditelusuri dalam satu arah titik data untuk peningkatan dan penurunan fungsi menentukan dari jaringan saraf. Ketergantungan yang saling bertentangan dalam array data pelatihan yang sama tidak dapat digeneralisasi oleh jaringan saraf tunggal dari bentuk perceptron multidimensi. Oleh karena itu, diusulkan untuk membagi array data pelatihan ke dalam kelompok-kelompok di mana untuk memperkirakan jaringan saraf individu. Eksperimen komputer dilakukan dalam artikel untuk menguji jenis memori ini untuk tugas filter gambar adaptif untuk konversi selektif palet warna.

Analisis cluster: metode k-means

Metode k-means adalah salah satu metode pengelompokan yang paling populer. Tujuannya adalah untuk mendapatkan pusat data tersebut yang akan sesuai dengan hipotesis kekompakan kelas data dengan distribusi radial simetris mereka. Salah satu cara untuk menentukan posisi pusat-pusat tersebut, untuk sejumlah k , adalah pendekatan EM.

Dalam metode ini, dua prosedur dilakukan secara berurutan.

Definisi untuk setiap objek data $X_ {i}$ pusat terdekat $C_ {j}$ , dan menetapkan label kelas untuk objek ini $X_ {i} ^ {j}$ . Selanjutnya, untuk semua objek, milik mereka dari kelas yang berbeda menjadi ditentukan.
Perhitungan posisi baru pusat dari semua kelas.

Mengulangi secara berulang kedua prosedur ini dari posisi acak awal dari pusat kelas k , seseorang dapat mencapai pemisahan objek menjadi kelas yang akan sesuai dengan hipotesis kekompakan radial kelas sebanyak mungkin.

Algoritma klasifikasi penulis baru akan dibandingkan dengan metode k-means.

Warna Gambar Utama

Metode k-means yang diterapkan pada ruang warna piksel dalam suatu gambar memungkinkan Anda untuk menyorot nada dasar. Untuk melakukan ini, diusulkan untuk mengubah warna piksel RGB ke HSB menggunakan metode platform Java Color.RGBtoHSB dan dapatkan rona warna H dan kecerahan B. Jarak antara piksel dalam ruang warna diusulkan untuk ditentukan oleh rumus:

d i s t l e f t (X_{i}, X_{j} r i g h t) = s q r t H_{i} c d o t B_{i} - H_{j} c d o t B_{j}

$dist \ left (X_ {i}, X_ {j} \ right) = \ sqrt {H_ {i} \ cdot B_ {i} -H_ {j} \ cdot B_ {j}}$

Pengaturan awal pusat klaster diusulkan untuk dihitung sebagai berikut.

Temukan nilai minimum dan maksimum $H_ {i} \ cdot B_ {i}$ untuk semua piksel.
Bagilah interval [ min , maks ] menjadi bagian k .
Hitung frekuensi piksel di setiap sub-interval berdasarkan nilai $H_ {i} \ cdot B_ {i}$ .
Urutkan sub-rentang dengan jumlah piksel dalam urutan menurun.
Hitung pusat piksel dalam sub-sub-inti.

Analisis Cluster: Gradient Map

Pendekatan untuk melakukan analisis klaster berdasarkan metode k-means memiliki kelemahan bahwa tidak ada pengaruh indeks gambar output. Untuk memperhitungkan perubahan dalam indikator gambar output, tergantung pada perubahan indikator dari gambar input, algoritma berikut ini diusulkan.

Urutkan semua vektor input berdasarkan ukuran $H_ {i} \ cdot B_ {i}$
Ketika bergerak dari satu vektor input ke yang lain dalam array yang diurutkan, lihat perubahan monotonitas kuantitas $H_ {i} \ cdot B_ {i}$ vektor output yang sesuai.
Vektor input monoton $H_ {i} \ cdot B_ {i}$ menetapkan vektor output yang sesuai tidak lebih besar dari ambang batas yang dipilih p untuk satu kelas.
Ambang p dapat divariasikan untuk membagi vektor ke dalam jumlah cluster yang diinginkan.

Filter adaptif

Untuk implementasi konversi gambar, dimungkinkan untuk menggunakan jaringan saraf. Keuntungan utama dari jaringan saraf adalah kemampuan belajar otomatis mereka. Dalam hal ini, diusulkan untuk melatih filter adaptif [Shovin 2018] berdasarkan jaringan saraf untuk menggunakan sepasang gambar di mana gambar asli adalah sampel, dan yang kedua diubah dari sampel dengan filter atau transformasi yang ada. Filter adaptif perlu mengembalikan konversi ini. Untuk ini, jendela ukuran dx oleh dy dan 3 saluran warna digunakan. Akibatnya, sinyal input dx • dy • 3 untuk neuron input digunakan dalam jaringan saraf. Jaringan dapat dilengkapi dengan lapisan tersembunyi dari jumlah neuron yang terkait dengan faktor warna dari konversi filter. Diusulkan untuk menggunakan 3 neuron pada output neuron, sinyal keluarannya dipetakan menjadi tiga warna ( rgb - merah, hijau, biru) di piksel tengah jendela dari gambar output. Sinyal saluran warna piksel diubah secara linear menjadi rentang nilai [- 0,5 ; 0,5 ]. Sedangkan fungsi sigmoid antisimetrik dengan interval nilai [- 1 ; 1 ]. Untuk piksel batas gambar, ketika jendela melampaui batas gambar, nilai input dari neuron jaringan yang sesuai dengan piksel tersebut ditetapkan ke 0 . Jaringan saraf dilatih pada windows untuk semua piksel dari gambar output dengan metode propagasi kesalahan kembali.

Memori cluster

Setelah nada dasar gambar ditemukan, filter adaptif dibuat untuk piksel setiap nada dengan lebar jendela dan tinggi 1 piksel. Filter dilatih untuk setiap kluster secara terpisah. Dengan demikian, menggunakan jaringan saraf filter adaptif, perkiraan warna piksel dalam kluster (nada) dilakukan.

Eksperimen numerik

Memori cluster dilatih menggunakan filter adaptif sebagai contoh untuk mengubah palet warna.

Fig. 1. Palet asli dan modifikasi.

Filter adaptif membutuhkan pembelajaran untuk secara selektif memutihkan warna kulit tanpa mengubah warna lainnya.

Sebagai hasil dari penerapan filter adaptif dengan memori cluster (9 cluster-nada dan cluster berdasarkan peta gradien) ke palet asli, gambar berikut diperoleh:

Fig. 2. Palet yang diubah untuk nada dasar dan peta gradien.

Kesimpulan

Suatu pendekatan diusulkan untuk mempelajari fungsi-fungsi kompleks yang didasarkan pada memori cluster dengan pendekatan menggunakan keluarga jaringan saraf dan melakukan analisis cluster dari data sumber. Menggunakan filter adaptif sebagai contoh, kemungkinan konversi selektif warna palet ditampilkan. Penggunaan memori klaster dengan pendekatan adalah relevan ketika tren yang bertentangan dalam arah yang sama dengan perubahan dalam indikator data sumber dilacak dalam set data pelatihan. Secara khusus, adalah mungkin untuk menyelesaikan masalah XOR untuk mempelajari fungsi logis.

Referensi

Shovin V.A. Filter gambar adaptif berdasarkan jaringan saraf. // Pemodelan matematika dan komputer: kumpulan bahan Konferensi Ilmiah Internasional VI. 2018 .--199 hal.

Memori cluster dengan aproksimasi

More articles: