Affordable Access

Principle and application of probabilistic neural networks in artificial vision

Authors
Publisher
Cemagref Editions
Publication Date
Keywords
  • Reseau De Neurones
  • Vision Artificielle
  • Semence
  • Intelligence Artificielle
Disciplines
  • Computer Science

Abstract

In the domain of artificial vision, many applications are based on the discrimination of qualitative groups from features that are extracted from numeric images. In such situation, either discriminant analysis or multilayer perceptron network (MLPN) are very often used. Probabilistic neural networks (PNN), can be a relevant alternative to MLPN. They offer the advantage to cope with non-linearity and they are based on relevant statistical rules. PNN follows the Bayesian approach, in which the attribution of an unknown observation into a qualitative group depends on the conditional density probabilities associated to each group. They give a heuristic making it possible to estimate these density probabilities from the data of a training set. An example of application is shown, that deals with the discrimination of seed species from their numeric images. In this experiment, 2400 seeds of 4 species were studied. The collection was divided into a training and a validation set of respectively 1600 and 800 seeds. 73 features were extracted from the images. Stepwise discriminant analysis allowed the selection of 4 variables among the 73 available ones. MLPN and PNN were compared. MLPN incorrectly classified 44 and 28 seeds of the training and test sets respectively. PNN gave 17 and 19 misclassifications on the same data sets. / Dans le domaine de la vision artificielle, de nombreuses applications sont fondées sur la discrimination de groupes qualitatifs à partir de paramètres extraits d'images numériques. Les analyses discriminantes ou les réseaux de neurone multi-couche sont très souvent utilisés pour cela. Des réseaux de neurones probabilistes peuvent être une alternative intéressante aux réseaux de neurones multi-couche. Ils ont comme avantage de répondre au problème de non-linéarité et ils sont fondés sur des règles statistiques. Les réseaux de neurones probabilistes suivent une approche Bayesienne dans laquelle l'attribution d'une observation inconnue à un groupe qualitatif dépend de la densité conditionnelle associée à chaque groupe. Une heuristique peut être développée pour estimer cette probabilité à partir d'un lot d'entraînement. Un exemple d'application est donné. Il est lié à la discrimination d'espèces de graines à partir d'images numériques. Dans cet exemple, 2400 graines de 4 espèces sont étudiées. La collection est divisée en un lot d'entraînement et un lot de validation faisant respectivement 1600 et 800 graines. 73 paramètres sont extraits des images. Une analyse discriminante pas à pas permet la sélection de 4 variables sur les 73 disponibles. Les réseaux de neurones multi-couche et probabilistes sont comparés. Le réseau multi-couche classe de manière incorrecte 44 et 28 graines des lots d'entraînement et de validation. Le réseau probabiliste donne 17 et 19 mauvaises classifications sur les mêmes lots des données.

There are no comments yet on this publication. Be the first to share your thoughts.