RECONOCIMIENTO DE PATRONES EMPLEANDO REDES NEURONALES BOOLEANAS. APLICACIÓN AL RECONOCIMIENTO FACIAL N.I.A.:.: N.I.A.:.

Transcripción

1 RECONOCIMIENTO DE PATRONES EMPLEANDO REDES NEURONALES BOOLEANAS. APLICACIÓN AL RECONOCIMIENTO FACIAL Alfonso Mateos Andaluz Pablo Javier Borches Juzgado N.I.A.:.: N.I.A.:.:

2 Introducción Cómo incorporar comportamientos "inteligentes" tanto en las redes como en los servicios? En nuestro caso: Adquisición de la capacidad humana del aprendizaje, reconocimiento y clasificación de patrones. Sistema básico: las redes neuronales. Un tipo particular y direferente : Redes Neuronales Booleanas. 2

3 Redes Neuronales Booleanas: (BNN) Emplean elementos de lógica booleana como componentes básicos. Puertas lógicas y memorias. Actúan en base a información y reglas lógicas (con ceros y unos). No responden a la suma ponderada de las entradas (números reales) como las redes neuronales más tradicionales. Son redes neuronales sin pesos. Formas de implementación: Hardware software 3

4 BNN: estructura funcional (I) Entrada: matriz de píxeles que conforman la imagen. Generalmente es necesario un preprocesado de la imagen. Preprocesado cuidadoso : no dañar en exceso la imagen. Reducción de la información efectiva con la que trabajar: Ocupar menos memoria y ganar en velocidad de clasificación. Puede empeorar la calidad de la clasificación. Compromiso! Núcleo: compuesto por memorias RAM. Bits organizados en direcciones (filas) y posiciones dentro de cada dirección (columnas). Píxeles agrupados de forma aleatoria Todos los grupos con el mismo número de píxeles: n-tuplas. 4

5 BNN: estructura funcional (y II) La combinación binaria que forman los píxeles de cada grupo sirve para escribir la información relativa a esa imagen particular. En la columna correspondiente a esa imagen de todas las memorias. Cada columna corresponde a un grupo de clasificación: discriminadores. Hay que entrenar la red con varias (pocas) imágenes para que aprenda y luego pueda reconocer los diferentes tipos de patrones Para clasificar una muestra de test : 1º) Comparar los resultados de las columnas obtenidas tras el entrenamiento con la salida proporcionada por la red cuando trabaja sobre la muestra sin clasificar. 2º) Se clasifica esa muestra en el grupo con el que tenga el mayor número de bits coincidentes. 5

6 BNN: en nuestro caso Seguimos la estructura general. Implementamos un tipo de red neuronal booleana llamada WISARD. Se basa en una red neuronal descrita anteriormente por Bledsoe y Browning. Mediante un ejemplo sencillo de ésta, explicamos la base de funcionamiento de nuestra implementación. 6

7 BNN: Máquina de Bledsoe y Browning (ejemplo sencillo) Reconocer dígitos. Partimos de: Imagen en blanco y negro. 8x8 píxeles. Píxeles agrupados por parejas. Por tanto: 1280 bits 32 memorias. 4 posibilidades por pareja. 4 filas por memoria. 10 discriminadores (0 9). 10 columnas por fila. 7

8 BNN: WISARD La misma estructura y la misma idea, pero ampliando el número de bits a agrupar en cada n- tupla. P Memoria ocupada: M = 2 n D n Imágenes de P píxeles, en grupos de n y con D posibles clases en las que clasificar. Elección de n: compromiso: reconocer generalizando! n : aumenta (mucho) la memoria ocupada y desciende la capacidad de generalizar. n : ocupa menos memoria pero puede saturarse (toda la memoria con unos). Las clasificaciones correctas aumentan con n opt hasta un máximo a partir del cual decrecen hasta cero. P n opt Certeza: cuán seguros podemos estar de que la clasificación es correcta? # Píxeles _ coincident es _ 2º _ grupo _ más _ probable C = 1 8 # Píxeles _ coincident es _ grupo _ más _ probable n

9 BNN: agrupación aleatoria Los píxeles que conforman una n-tupla han de agruparse de forma aleatoria y sin solapamientos. Justificación: Disminuir la posibilidad de errores en la clasificación por confusión entre patrones. Los patrones cuya distribución es semejante a la distribución de la agrupación de los píxeles constituyen puntos ciegos. Porque los patrones no suelen responder a estructuras aleatorias. La aleatoriedad no tiene un patrón definido al que responda y que pueda asemejarse a casos reales. Puntos ciegos muy poco probables. 9

10 BNN: codificación del color Las imágenes suelen ser en color, pero las BNN sólo trabajan con ceros y unos Resulta natural para las BNN trabajar con puntos blancos y negros. Preproceso necesario para convertir colores en codificaciones binarias. Necesarios b bits memoria necesaria multiplicada por b. Si no es estrictamente necesario para una clasificación correcta, son preferibles los patrones en blanco y negro (1 bit). El preproceso ha de ser el adecuado para mantener la información más relevante. 10

11 BNN: Transformación a B/N Transformación adecuada: Conservar sólo la información más relevante: 11

12 Implementación del sistema Entrada: fotografía de 800X600 = píxeles en tono de grises de 8 bits (256 niveles) X 256 = 1, posibilidades Preproceso: se aplica el umbral X 2 = posibilidades 5 personas a reconocer Entrenamiento: 3 imágenes por persona. Requiere pocas muestras: Gran cantidad de píxeles en cada imagen Utilización de red booleana basada en bits en memorias en vez de pesos en los enlaces 12

13 Implementación del sistema JAVA lenguaje interpretado Tiempo de procesamiento grande Enmarcar zona de la fotografía donde se encuentre la cara por dos motivos: Rapidez Permite reconocimiento independientemente de la ropa del individuo Resultado de enmarcar: Sin enmarcar: 800X600 = píxeles Enmarcando: 300X400 = píxeles Mejor reconocimiento Eliminación de la redundancia (fondo de la imagen) que no influye en la toma de decisión Número de RAMs empleadas: 300*400 / 4 =

14 Ejemplo del preproceso de la imagen 14

15 Ejemplo: Conjunto de muestras de entrenamiento 15

16 Ejemplo: Conjunto de muestras de entrenamiento Sujetos (en orden): Dani, Alfonso, Pablo, Chus, Paco 16

17 Entrada: Dani Dani Alfonso Pablo Chus Paco Imagen izquierda Imagen derecha 17

18 Entrada: Chus Dani Alfonso Pablo Chus Paco 18

19 Entrada: Pablo Dani Alfonso Pablo Chus Paco 19

20 Notas importantes Valor mínimo del recuento de bits de las memorias alrededor de bits (aunque podría darse algún caso que fuera menor) Cuando los niveles son bajos (nº de bits pequeño) para la mayor parte de los 5 individuos disminuir el umbral para que haya más píxeles en negro en la imagen binaria. 16 pruebas Reconocimientos acertados 15 Reconocimientos fallidos % de aciertos 20

21 Evolución con una imagen modificada 21

22 Evolución con una imagen modificada bits coincidentes Dani Alfonso Pablo Chus Paco Número de la imagen 22

23 23