Выявление аномалий

Александр Печенкин25 мая 2004Data Mining6 комментариев

Не вижу смысла в нейросетях, раз требуется просто сравнение двух любых картинок и нет четко фиксированного набора эталонов. Возьмите хороший сдвигово-вращательный инвариант картинок и смотрите, превысит или не превысит расстояние между инвариантами некоторый порог, который подберете так, чтобы сдвиг картинки в какую-либо сторону на несколько пикселов не приводил к сигналу о расхождении с несдвинутым случаем. Это самое простое решение, если нужно решать именно задачу классификации, т.е. не выделять еще и местоположение аномалий на картинке, и обеспечить устойчивость к малым смещениям.

Уважаемый Виктор! Предложение дельное, спасибо. Может подскажите решение еще одной проблемы ? Необходимо выделить теперь как раз из картинки предмет, образец которого имеется. Картинка теперь не смещается. Возможно ли это, если реальный размер предмета и его положение (на картинке) будет отличаться от образцов, на которых обучалась нейросеть ? Как получить информацию (т.е. в каком виде) о положении распознанного на картинке предмета, если это возможно. Я предполагал определять местоположение (наверное, нерационально) так: когда распознан предмет, передвигаем его образец по картинке и считаем корелляционную функцию, находя таким образом область, где корелляционная функция максимальна. Может как-то сразу с выхода нейросети можно взять информацию о положении, но вот как - не представляю. Подскажите кто сможет. Спасибо.

Ну, способ пробегания по картинке скользящим окном должен вроде бы сработать. Сканировать, естественно, можно со сдвигом не на пиксел, а побольше (хотя бы при первом, пристрелочном поиске местоположения, а потом уточнять в его окрестности). И здесь тоже надо-бы применять инвариантные преобразования картинок и образцов - даже с достаточно большими изменениями геометрических размеров эталона можно справиться использованием, например, преобразования Хафа (Hough transform).
Сразу вычислять координаты эталона вряд ли будет можно - надо бегать по картинке. Но тут я могу и ошибаться, поскольку современных научных результатов не знаю. Может, кто-то где-то когда-то и совершил революционный прорыв ;)
Конечно, есть готовые рецепты и более-менее окончательные суждения о применимости и сравнительной эффективности тех или иных идей и приемов при конкретных свойствах задачи и картинок, но надо глубоко копать научные работы в области image detection and recognition.

А все-таки (не уловил ответа на вопрос), можно ли обучить сеть на эталоне, а затем узнать, есть ли что-то похожое на эталон на картинке, если это что-то будет расположено в другом месте и будет другого размера ? Например есть 5 образов. Обучаем этим 5 образам сеть. Затем подаем картинку (реальную). Наша сеть должна определить есть ли (и какие именно из 5-ти) образы на картинке, пусть без местоположения. Но эти образы могут быть чуть меньше эталона или чуть больше эталона, и (что самое главное) расположены они точно не так как были расположены при обучении, т.е. местоположение образов произвольное, а затем уже без нейросети определить положение. Это гораздо быстрее чем ездить окном по картинке и много раз подавать кусок картинки на нейросеть, обученную требуемым образам ? (зато тогда как раз узнаем и положение). Спасибо за терпение и отзывчивость.

Да можно, но я не ожидаю от этого хорошего результата. Сети типа Хопфила, которые сводят картинку к эталону, не применить - они не могут давать ответ о наличии сразу нескольких эталонов на картинке, да и размер эталона меньше размера картинки на порядок, поэтому эталон придется раздувать до размеров картинки (т.е. время рассчета вырастет всё равно, хоть и другим способом).
Многослойный персептрон (сетка обратного распространения) может давать несколько ответов сразу, в нее можно встроить хорошую устойчивость к сдвигу положения эталона на картинке и его искажениям, но в последнем случае получится что-нибудь типа сверточной (convolutional) сети, которая на форуме тут недавно вспоминалась - а это те же самые скольжения окошком, причем даже не одним при необходимости. Думаю, что и при модификации сетей адаптивного резонанса получится подобное же.
Хотя, повторю предыдущее письмо, я не знаю современного состояния нейросетевых дел в этой области - может, и есть хорошие решения, но надо копать литературу.

Т.е. обучить-то сетку можно, но потеряете возможность определения местоположения эталона на картинке одновременно с сигналом о его присутствии. А я не верю, что у Вас есть хорошая процедура определения местоположения _искаженного_ эталона на картинке, которая будет в связке опять же с _устойчивой_к_искажениям_и_местоположениям_эталонов_ сеткой-классификатором работать суммарно быстрее, чем описанная мной в первом письме одна и та же техника сначала в ходе грубого сканирования, а затем и более пристального рассмотрения мест, где индикатор похожести превысит порог. Но это для чисто софтовой реализации, без спецжелеза.

Спасибо Виктор! Есть пища для размышлений. Буду копать.