Apprentissage d'une représentation statistique et topologique d'un environnement

Other literature type French OPEN
Tomasini, Linda (1993)
  • Subject: Réseau de neurones artificiels | Classification automatique floue | Apprentissage compétitif | Carte topologique | Segmentation d'images | Analyse de texture | Tomographie par émission de photons | Algorithmes hybrides | 510 | Artificial neural network | Fuzzy clustering | Competitive learning | Topological map | Textured image segmentation | Emission computed tomography | Hybrid algorithms

Cette thèse porte sur l'apprentissage d'une représentation d'un environnement par un réseau de neurones. L’algorithme d'apprentissage non supervisé que nous proposons est basé sur l'identification d'un mélange de gaussiennes et est mis en œuvre sur une carte topologique du type de celles de Kohonen. Une relation formelle est établie avec les algorithmes de classification automatique floue. Nous traitons ensuite deux applications directes de cet algorithme à la vision artificielle: en segmentation d'images par analyse de texture et en imagerie médicale pour la visualisation de données tomographiques de débit sanguin cérébral. Dans la dernière partie, deux architectures hybrides sont définies dans les buts d'apprendre, respectivement, une suite récurrente et les corrélations entre deux variables représentées sur deux cartes topologiques. Dans les deux cas, l'apprentissage fait coopérer l'algorithme précédent de classification automatique avec une règle d'apprentissage supervisée. This thesis deals with the problem of learning an environment described by a random variable. The internal representation of the environment is built according to the statistical and topological properties of the data. The unsupervised learning algorithm we propose is based on the identification of a gaussian mixture and is implemented on a topological neural map. A formal relationship with fuzzy clustering is established. The algorithm is applied to two artificial vision tasks : textured image segmentation and cerebral blood flow data visualisation. In the last part, we define two hybrid neural architectures in order to learn on the one hand, a time-series and on the other hand, the relationship between two random variables describing the same environment. In both cases, learning is based on the cooperation between the clustering algorithm mentioned above and a supervised learning rule.
Share - Bookmark