Использование глубоких машин Больцмана в системах распознавания образов Выполнил: студент группы ИТД-М1-41 Дьяконов А.В. Научный руководитель: д. б. н., - презентация

1

2 Использование глубоких машин Больцмана в системах распознавания образов Выполнил: студент группы ИТД-М1-41 Дьяконов А.В. Научный руководитель: д. б. н., проф. Стефаненко Г.А. Выпускная работа магистра Факультет: Фундаментальных наук Кафедра: Программного обеспечения ЭВМ, информационных технологий и прикладной математики Калуга Калужский филиал федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Московский государственный технический университет имени Н.Э. Баумана»

3 Цели работы Изучить классы задач распознавания образов Рассмотреть существующие алгоритмы распознавания Исследователь применимость машин Больцмана в распознавании образов Найти оптимальные структуры сети для распознавания изображений различных типов Произвести сравнение с другими методами распознавания

4 Распознавание образов Найти функцию вида: - вектор, соответствующий классифицируемому образу - класс, к которому принадлежит образ

5 Машины Больцмана Особый вид стохастической рекуррентной нейронной сети Энергия сети определяется как Вероятность того, что i -ый элемент находится в активном состоянии Ограниченная машина Больцмана – машина Больцмана без связей в пределах слоя

6 Сопоставительное отклонение ДАННЫЕДАННЫЕ

7 Глубокие машины Больцмана Машины Больцмана с несколькими скрытыми слоями Обучение производится послойно Каждый слой рассматривается как отдельная ограниченная машина Больцмана

8 Алгоритм обучения Создать две копии входного вектора для видимых элементов Зафиксировать веса текущего слоя и обучить следующую RBM используя метод сопоставительного отклонения Предпоследний слой Удвоить количество скрытых элементов при обучении для связывания весов Из получившихся весовых коэффициентов составить сеть Да Нет

9 Эксперименты с MNIST

10 Эксперименты с NORB и Color FERET Color FERETNORB

11 Достоинства и недостатки Низкий процент ошибки (в среднем) Эффективная процедура обучения, отличная от сетей обратного распространения ошибки Возможность восстановления поврежденных данных Сложность внутреннего представления Сложность обучения многоуровневых сетей Дискретность значений элементов (отсутствует в непрерывных машинах Больцмана) ДостоинстваНедостатки

12 Выводы Были рассмотрены различные типы задач распознавания образов и методы их решения Была рассмотрена возможность применения машин Больцмана в системах распознавания образов По результатам сравнения эффективности алгоритмов было установлено, что глубокие машины Больцмана показывают высокую эффективность при решении такого типа задач

13