neuroproject.ru

dns

Есть задачка по созданию программы классификации образов. Нейронками последний раз занимался очень давно.. да и мало (диплом был мой по теме лингвистического анализа и классификации текстовой информации).
Так вот, возникла пара вопросов:
1. существуют ли рекомендации по поводу того, какую из нейронок предпочтительнее для этого использовать.
2. что делать с входным изображением? (суть вопроса - ниже опишу)

Итак, на данный момент остановился на многослойной персептроне следующей конфигурации:
1. Входной поток - картинка 30х30 пикселей (т.е. 900 рецепторов будет)
2. На входном слое на каждый нейрон будет приходиться "квадратик" 2х2 пикселя (4 рецептора на один входной нейрон), итого, на первом слое будет 225 нейронов.
3. Сколько нейронов сделать на скрытом слое - не определился.
4. на выходном слое 4 нейрона.

Классификация изображений производится на 2 класса (однако внутри одного класса достаточно большая "вариабельность", в итоге - выходной слой не из 1 нейрона, а из 4х).

Смысл обработки изображения следующий - есть большая картинка (снимок анализа крови) с клеточками и мусором. Нужно клетки одного типа "выделить" из изображения и посчитать, мусор выкинуть.
Вся большая картинка бьется на участки 30х30 пикселей, как раз эти участки и будут скармливаться сети для распознавания - что на миникартинке. У тут всплывает второй вопрос - какую именно обработку этого участка необходимо произвести перед тем, как скормить сети.... или не производить? Просто - есть у нас набор байтов в матрице 30х30, где координаты матрицы = координаты пикселя, а значение элемента матрицы = значение цвета. Т.о. выстраиваем значения цвета каждого пикселя в вектор 1х900 и вперёд?

и еще один вопрос - на прямую не связанный с НС: как производить разбиение большого входного образа на участки? с отдельно-стоящей клеткой проблем нет, а вот как быть с конгломератами? когда несколько клеток слепились, и их нужно "расцепить" и каждую из них поместить в центр картинки 30х30 пикселей?

Фух... надеюсь смог донести, свои вопросы... а то пока каша в голове... с текстами по проще было...

Victor G. Tsaregorodtsev

Я бы тут нейросетки использовал в последнюю очередь.

Сначала попытка выделить нужные пятна-клетки только по яркости (интегральной или в отдельных цветовых плоскостях - r,g или b). Относительно часто работает достаточно эффективно, как ни странно. Оконтуривание объектов фильтрами, выделяющими границы на изображении, тоже можно попробовать - а дальше каждый контур грубо оценивать по размеру (для отбрасывания мелких шумов) и сопоставлять с эталонным контуром клетки через преобразование Хафа.

При неудаче - какой-нибудь хороший автосегментатор, который работает на текстурах объектов изображения, например, двумерные скрытые марковские модели.

Сетки скорее взял бы близкими к сверточным (convolutional) сетям Яна ЛеКуна вместе с его автосегментатором объектов, повешанным на сеть. Конкретно по архитектуре этих сетей (по числу слоев свертки и ресэмплинга, числу плоскостей в слоях, числу нейронов в плоскости) ничего неясно, т.к. о Ваших снимках представления не имею. Обучение, естественно, будет с учителем, на предварительно размеченных эталонных снимках.

Ваш вариант сети вряд ли будет обеспечивать хорошую инвариантность распознавания к повороту, если форма клеток отлична от круглой. Надо как-то предобрабатывать снимок для обеспечения поворотной инвариантности и трансформации контуров клетки - tangent distance и tangent prop того же ЛеКуна могут помочь добиться этого именно сеткой, без какого-то предварительного преобразования изображения (т.е. сетка будет работать именно с исходной картинкой).

Насчет распознавания конгломератов рецепт дать сложно, также как и оценить возможность настройки сверточной сети с автосегментатором под распознавание именно перекрытых друг другом объектов (с тесным соседним расположением проблем нет, сетка их разделит).

Работы ЛеКуна брать в разделе публикаций на yann.lecun.com - там Вам нужно реально посмотреть только его большую обзорную работу 98 года по распознаванию рукописных символов (вынесена наверх странички в краткий список основных результатов), и только потом при необходимости реально использовать такие нейросетки надо будет посмотреть другие процитированные в этой статье работы и работу по tangent prop. Но сразу предупреждаю, что готового софта нет и Вам придется эти сетки программировать с нуля в достаточно универсальном варианте (с возможностью управления числом слоев и т.д) для проведения экспериментов. Т.е. если возникают трудности прямо на уровне алгоритма обратного распространения ошибки для обучения многослойного персептрона, то тогда лучше и не пытаться воспроизвести эти сверточные сетки.
_________________
www.neuropro.ru - нейросети, анализ данных, прогнозирование

dns

Большое спасибо за ответ!!!

dns

Victor G. Tsaregorodtsev

dns

Victor G. Tsaregorodtsev

Eugeen

dns

Oleg Agapkin

Здесь речь идет о создании своего рода экспертной системы, которая будет ставить диагноз пациенту по снимку кровяного мазка? Указанная картинка похожа на снимок крови пациента с лейкемией.

На мой взгляд, ввиду некоторой однородности картинки, имеет смысл изначально попробовать статистические (не нейросетевые) методы. Может быть, удасться классифицировать с наименьшими затратами.

Есть отличная книга - Методы компьютерной обработки изображений (Сайт издательства ФИЗМАТЛИТ, далее искать на сайте через поиск). Там же можно заказать ее через интернет. Человек, который занимается работой с изображениями обязательно найдет там много полезных методов анализа и предобработки графических данных.

Вот она же на Озоне, но значительно дороже.

Oleg Agapkin

Почему бы не сделать что-нибудь типа этого:
Берется исходная картинка

Затем самым простым образом выделяются и пересчитываются черные точки и клетки с черными точками:

Потом убираем с исходного изображения области с черными точками

и любым градиентным (пороговым способом, выделением границ и пр.) выделяем и пересчитываем остальные клетки?

dns

dns

Oleg Agapkin

Еще посмотрите вот этот пример. Это распознавание и классификация листьев с помощью нейронных сетей. С сайта можно скачать пример программы, там же есть описание методик. Может быть, этот пример тоже окажется полезным. Cool

dns

dns

приобрел еще книжку от физмата и бросился изучать. В итоге - "родилось" следующее представление способа решения проблемы:
1. Делаю пред-обработку изображения с целью выделить клеточки (тем же градиентным способом). Пока без классификации.
2. Определенные в п.1 области с клетками дробим на изображения и создаем галерею клеток.
3. При помощи нейронки пытаемся произвести классификацию картинок из галереи.

Плюсы (пока чисто умозрительно):
1. Градиентный метод работает быстрее, чем авто классификатор, построенный на нейронке
2. Меньший размер самой нейронки (т.к. оно дело проводить автосегментацию и классификацию при помощи нейронной сети, другое дело произвести сначала операцию сразу над всем изображением, что бы произвести выделение целевых областей картинки, а потом производить классификацию).

Минусы:
1. Не понятно, что делать с конгломератами... Есть подозрение, что градиентами их не разделить....