Обучение слоя sn
На вход поступает изображение и метка класса, к которому оно относится, а также скорость обучения.
Изображение заносится в значения input; активируются все слои сети до SN включительно.
К слою SN применяется поиск нейронов-победителей с конкуретной областью, покрывающей всю плоскость целиком. То есть на слое определяется нейрон с максимальным значением.
Если нейрон найден, метка класса, соответствующая номеру его плоскости, сравнивается с меткой класса входного изображения.
При несовпадении или при отстутствии нейрона-победителя выполняется процедура добавления нейронной плоскости (AddPlane). Добавленной плоскости ставится в соответствие требуемая метка класса. Добавленная плоскость обучается (в качестве обучаемого выбирается центральный нейрон).
При совпадении меток нейронная плоскость, к которой принадлежит победитель, обучается. В качестве обучаемого используется выбранный нейрон-победитель.
Поиск образцов на изображении
Входное изображение разделяется на пересекающиеся фрагменты, каждый из которых соотносится с искомыми образцами. Фрагменты имеют размер (w, h), равные размеру входного слоя сети. Первый фрагмент начинается в точке (0;0) изображения. Фрагмент (I, J) начинается в точке (I*Step_X; J*StepY), где Step_X, Step_Y – шаг в длину и в ширину соответственно. От шага сопоставления зависит скорость и точность определения областей. Максимально точная проверка имеет шаг равный одному пикселю, минимально точная – шаги, равные w и h соответственно (тогда фрагменты вообще не пересекаются).
Фрагмент подается на вход сети, после чего сеть возвращает положительный ответ, если разница между максимальным выходным сигналом ее слоя CN и остальными его выходными сигналами достаточно велика (в качестве достаточно большой разницы взято отношение Ck_max > 4*Ck для любого k≠k_max.
Если ответ сети положительный, в качестве возвращаемого значения выдается метка класса, к которому относится найденный образец.
Объединение фрагментов, в которых был найден один и тот же образец (если эти фрагменты пересечены) представляет собой так называемую область интереса, включающую в себя образец. Их пересечение (координата, соответствующая середине данной области) является приближенным положением образца в этой области. Также на границе области могут быть ошибочные вхождения других образцов, полученные из небольших частей образца.
Анализ результатов Параметры реализованной системы
Реализованная программная оболочка позволяет создавать нейронные сети с высокой гибкостью настроек. На Рис. 1 .14 приведен внешний вид окна создания сети.
Рис. 1.14. Настройки создаваемой сети
Параметры сети, задаваемые пользователем:
Число слоев (при этом количество S-слоев и C-слоев связаны взаимоотношением NC=NS+1)
Количество плоскостей слоев
Радиус окрестности для каждого слоя
Размер подавляющего окружения C-слоев
Размер области конкуренции S-слоев
Тип окрестности (круг или квадрат)
Количество классов изображений, распознаваемых сетью
Рис. 1.15. Главное окно программы
В процессе работы с сетью пользователь имеет следующие возможности:
Загрузка обучающих изображений
Выбор обучаемого слоя
Выбор скорости обучения
Выставление порога
Обучение слоя с учителем
Обучение слоя без учителя
Проверка качества обучения сети с помощью тестового изображения
Поиск выученных сетью образов на большом изображении
Сброс весов нейронного слоя на нулевые либо случайные
Результаты работы сети представляются в виде:
Изображений, отражающих относительную степень возбуждения слоев сети
Текстовых логов процесса обучения сети
Изображения местоположения искомых образцов: копии заданного изображения с отмеченными областями вхождений
Текстового лога процесса поиска в виде координат вхождений
Легенды с цветовой маркировкой классов образцов