Apprendimento di modelli per reti cellulari non lineari (CNN): tecniche e applicazioni

Questa tesi indaga l'efficacia dell'algoritmo Random Weight Change (RWC) nell'apprendimento dei coefficienti del modello per le reti neurali cellulari (CNN) applicati a varie attività di elaborazione delle immagini. Attraverso l'apprendimento supervisionato, oppure tramite l'elaborazione delle immagini tecniche o schizzi manuali, l'algoritmo RWC ha ridotto al minimo l'errore con successo tra le uscite desiderate e le uscite stazionarie delle CNN. I nostri risultati hanno dimostrato che la regola di apprendimento RWC potrebbe generare efficacemente modelli per attività del genere come il rilevamento dei bordi, il rilevamento degli angoli e sfide complesse come il problema difficile di Minsky. Questa versatilità indica il suo potenziale per applicazioni più ampie. Lo studio sottolinea inoltre l'idoneità dell'algoritmo RWC per applicazioni in tempo reale, in particolare per la sua semplicità e la sua natura di facile utilizzo per l'hardware. Questo lo rende un candidato ideale per l'apprendimento su chip nelle reti neurali analogiche. Integrazione futura con tecnologie hardware avanzate, come i dispositivi di memoria basati su memristor, potrebbero migliorare l’efficienza e le capacità di elaborazione delle CNN. Una parte significativa della nostra ricerca si è concentrata sull’adattamento delle CNN per pratiche specifiche applicazioni, in particolare il rilevamento e il tracciamento di condotte sottomarine. Personalizzando la CNN modelli per questi compiti unici, ne abbiamo dimostrato la robustezza e la fattibilità pratica dell’algoritmo RWC in scenari reali. Il nostro approccio ha dimostrato la superiorità prestazioni delle CNN nel rilevamento di condotte sottomarine da riprese video, superando i metodi tradizionali. Resta comunque la possibilità di affinare il rilevamento algoritmo attraverso ulteriori passaggi di elaborazione delle immagini. La ricerca futura dovrebbe mirare a migliorare l’accuratezza e la velocità dell’apprendimento della CNN algoritmi, ampliando la gamma di attività di elaborazione delle immagini applicabili e integrandole CNN con tecnologie emergenti. Miglioramento del set di dati per l'addestramento delle CNN e incorporazione di tecniche avanzate come soglia adattiva, riduzione del rumore e l'estrazione delle funzionalità può migliorare ulteriormente la robustezza e l'affidabilità. Inoltre, l’integrazione di algoritmi di apprendimento automatico e acceleratori hardware potrebbe compiere notevoli progressi monitoraggio in tempo reale delle condotte sottomarine. In sintesi, questo studio evidenzia il potenziale delle CNN e dell'algoritmo RWC in affrontare complesse sfide di elaborazione delle immagini, in particolare nel rilevamento di condotte sottomarine. I risultati forniscono una base promettente per ulteriori ricerche e sviluppi, puntando a soluzioni in tempo reale più precise, efficienti e affidabili in vari campi, compreso il monitoraggio ambientale, la navigazione autonoma e l’imaging biomedico.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2024

Author dc:creator

• GULZAR, WAQAS

Contributors dc:contributor

• BUSCARINO, Arturo

• Cellular Neural Network
• Random Weight Change Algorithm
• Cloning Template
• Object Detection
• Reti neurali cellulari
• algoritmo di variazione casuale del peso
• clonazione Modelli
• rilevamento oggetti

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/658130

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/658130