一篇文章教你玩儿转 NeuroMem 智能分类器

NeuroMem 定义:NeuroMem 是由电子神经网络组成的,具备学习功能的智能分类器。

NeuroMem 神经系统结构:NeuroMem 神经系统由并联神经元组成。假设匹配信息是个苹果神经元是很多个抽屉,那么 NeuroMem 匹配特征信息的过程就好比在很多个柜子里寻找哪里有苹果。抽屉多时同时打开所有抽屉效率更高。 NeuroMem 搜索方式就是基于此。

人的大脑可看作是个分类器,比如看到香蕉就知道那是香蕉。出生时人并不知道香蕉的意识。而是在后天与香蕉的接触中,大脑神经根据香蕉的特征(黄色,月牙形等),绘制出有关香蕉的知识模型。再看到黄色月牙形的物品时大脑便会自动将其划分到“香蕉”栏里。神经系统赋予人类认知能力。
NeuroMem 的神经系统同理,图中每个神经元具备记忆功能即 NeuroMem 的电子神经系统复制了和生物神经系统相似的特征信息存储功能复制了生命体的“学习”和“分类”过程。
人类认知过程可分为三个阶段:由感受器(眼睛,耳朵,手 etc.)将外界接触到的信息特征传送给中枢系统 (人脑),再由人脑里存储的“知识”对感受器传回的信息做出判断。
发现未知事物人脑会将新事物特征信息存入大脑神经细胞,识别错误时,大脑会根据新获取的被纠正的信息对错误知识记忆进行修改。这是人脑的学习和认知过程,当大脑记忆逐渐成形脑神经系统便可根据再次获得的特征信息对外界事物分类。作为模仿人脑分类活动“具备学习能力”的分类器,NeuroMem 工作方式也可以由一个流程图概括。

案例:跟着小车学思路

下面通过一个的 Demo 了解 NeuroMem 信息截取、学习过程和识别过程。绿色代表草坪,灰色代表道路(小车可行驶部分)

“空格”进行下一次移动,“/”键触发开始/结束,“BACKSPACE”沿路径轨迹倒退。“上箭头”加速,“下箭头”减速。“左箭头”和“右箭头”调整旋转角度。“ENTER”键进行学习。
方框是小车前置摄像头截取面前路况信息。 Neurons 记录学习不同路况所用的神经元数目,forget 可清除所有知识信息。如果认为地图过于简单也可动手画个新地图。可清除地图在地图区域按住右键进行绘制即可(改变道路颜色摁”Shift”和右键)
对比 NeuroCar 小车动作方式和 NeuroMem 工作方式流程图:
小车行驶中将实时截取图像特征传输给神经系统进行分类,当当前特征符合第一个类时(第一张图片),小车进行左转运动,当当前特征符合第二个类时,小车做直线运动。而当小车截取的当前路况特征与其神经系统里的知识都不符合时小车会停止并显示未知,这时需要对小车的神经系统进行训练将这一类信息加入知识模型。这就是 NeuroMem 神经系统的基础运行流程。

NeuroMem 照进现实:从液面检测到渔业

NeuroMem 分类器仅根据水果颜色特征便可将图片中不同种类水果区分。第一张样本图片训练完成的知识信息可继续用第二张样本图片进行完善,训练样本图片越多得到的分类结果越准确。在这里完成水果的区分应用到的样本图片并不多。因为图片的背景简洁容易区分,并且相机拍摄的距离和角度都是定值,这也就极大地减少了来自外界(如桌面花纹和反光阴影) 对目标特征信息的干扰,从而提升了样本特征的典型性。所以基于这个对样本图片的要求,自动化工业生产流水线是一个很适合 NeuroMem 分类器应用的平台。
NeuroMem 的分类策略。NeuroMem 是基于电子网络的分类器,根据探测器接受类型信号可广泛应用到工业生产领域。例如,利用相机捕获的图像信息对流水线上装填的酒类,药类进行必要的液面监测。
对于流水线上的液面监测,根据 NeuroMem 工作方式,从应用场景,样本类型,具体操作方式和预期实现目标四个方面给出了一套解决方案。

除了工应用,NeuroMem 也可根据具体需要应用于日常生活中。例如在智能楼宇通过温度感受器捕捉的信号对房间温度的自适应控制。
同样这个场景下根据 NeuroMem 工作方式从应用场景,样本类型,具体操作方式和预期实现目标四个方面给出解决方案。图片信息在案例中典型样本类型。基于 NeuroMem 对图像分类的的工具,NeuroMake。
NeuroMake 是基于 NeuroMem 分类器的图像处理分类软件仅根据颜色便可将图中不同种类的水果区分开。第一张样本图片训练完成的知识信息可继续用第二张样本图片进行完善,训练的样本图片越多得到分类结果越准确。

完成水果区分应用的样本图片不多。图片背景简洁且相机拍摄的距离和角度都是定值极大减少了来自外界(如桌面花纹和反光阴影) 对目标特征信息的干扰从而提升了样本特征的典型性。基于这个对样本图片的要求,自动化工业生产流水线适合 NeuroMem 分类器应用。
NeuroMem 分类策略:NeuroMem 神经元也有建立知识模型功能,当把”香蕉”和”橙子”这两个知识模型信息展现在一个二维空间里香蕉特征和橙子特征可构成两个不相交的集合。

由于香蕉和橙子还有背景的颜色特征明显,分类依据即知识模型是通过颜色来划分。当 NeuroMem 的知识模型建立好后当被识别事物有黄色的特征,这个特征点 p3 会落在距离 p1 更近的位置,这时通过比较新特征点距离知识模型距离,NeuroMem 就可判断出新特征与香蕉的模型更相近。注意 p3 模型不会和 p1 完全相同。需要人为的为 NeuroMem 设置范围。这个范围就叫做: MaxIF 和 MinIF。图中,MinIF 可看作 p1 圈的边缘,因为“估计值”不能是他本身。外面这个方框代表着 MaxIF 的范围这个区域叫做:决策区。明显 p3 的模型落在了 p1 的决策区且离 p1 位置更近。

水果分类颜色相近品种如“香蕉”和“黄香蕉苹果”,这时虽然 MaxIF 值如果很大,就会出现两个知识模型决策区域将对方的模型互相覆盖的情况。因为知识模型的类别是在训练中确定的, 因此在 NeuroMem 的神经系统中,决策空间时会自动根据模型位置和(MinIF,MaxIF)对决策区尺寸进行调整 。而调整之后的决策区范围被称作 AIF, 即估计值的活动范围。AIF 不重叠的部分叫做:被识别区域,即只有一种类别可能。重叠部分叫做:不确定区域,即要通过具体的距离进行比较再决定分类输出。未被 AIF 覆盖的区域叫做未知区域,需要通过更多的样本训练,分类器才可以应对更多中的情况。

值得说明的是,在 NeuroMem 里有两种决策空间的绘制方式:RBF 和 KNN。相比 RBF,KNN 选择范围遍布整个决策空间且只保留确定区域,即每个划分区域仅有一种可能选定的类型。这样虽然可以通过训练较少的样本而输出所有分类,但不保证估计值的正确率。因此 KNN 适合特征非常明显,复杂度较低的分类情况。现在请各位打开 RBFTutorial,试一下应用不同的方式和 IF 范围,体会以下决策空间绘制的过程。

上图呈现了一张利用 RBF 配置了 3 种不同类型区域的决策空间示意图,图中不规则染色区分别为类型 A, B, C 的期望选择区域。可以看到知识模型越多,特征信息划分越明显,边缘拟合度越高,所绘制的决策空间也越精确。
实例:据中国海关统计 2016 年 1-6 月中国水海产品出口数量为 189 万吨,同比增长 4.1%需求量与日俱增如何提高渔业生产效率成了亟待解决的问题。
远洋渔业无论在渔船或是在海产品加工厂里分拣都必不可少的工序。我国渔业分拣工作以传统的人眼识别为主,繁琐且易受到主观因素干扰限制了生产效率提升。需要一个操作简单、识别快速又对设备要求不高的方式来完成远洋渔船的自动化方案。NeuroMem 分类器可为远洋渔船的实时鱼种识别提供技术支持。
2008 年挪威一家鱼工在远洋渔船上用了基于 NeuroMem 鱼种分拣器分拣鲱鱼,鲭鱼,受损和体型过小的鱼。用于工业上鱼种分类所应用的实际图片可看出 NeuroMem 分类器对照片的要求不高且是流水线作业,鱼在图片中的位置固定为 NeuroMem 知识建模提供便利。

由于工业图片上的鱼类特征较模糊 NeuroMem 的神经系统理论上需要更多样本来绘制和修正决策空间以提高识别准确率,但鱼的位置固定为系统采样提供了便利所以该实例中并不需要学习过多样本。
用 NeuroMake 对使用搜集的 100 多张工业样本照片,对 NeuroMem 分类器进行训练。由于鱼身上花纹模糊,色彩特征也没水果明显,因此 ROI 尺寸要能将鱼整个圈起来对整条鱼进行特征提取。选固定 ROI 尺寸的选项进行区域圈定和特征采样。
工业图片背景特征单一摄像头与目标位置固定适合 NeuroMem 提取鱼类的花纹和形状。该案例中工业采样图片比分类练习要模糊很多。这种特征不明显的样本,NeuroMem 需训练更多目标特征完善和修改决策空间的分布提高分类结果的正确率。增加训练次数 NeuroMem 操作不变随着神经元知识增加其识别图片的速度也没明显下降。
NeuroMem 操作三个基本步骤:样本搜集,训练和对决策空间的修正。
NeuroMem 神经系统结构:NeuroMem 神经系统由并联神经元组成。假设匹配信息是个苹果神经元是很多个抽屉,那么 NeuroMem 匹配特征信息的过程就好比在很多个柜子里寻找哪里有苹果。抽屉多时同时打开所有抽屉效率更高。 NeuroMem 搜索方式就是基于此。
制胜原则和未知相应是基于 RBF 决策方式。在绘制决策空间 NeuroMem 考虑到特征相近问题通过被识别特征与知识模型特征的距离抑制距离较远的响应输出结果进而给出相似度更高的结果。 不仅更真实的模仿了人脑的认知过程,也为实际应用提供了更准确的分类结果。对未知区域响应,为新知识的动态添加提供了支持。这两个特点为 NeuroMem 完善知识模型和提升分类正确率提供了帮助。

发布者:Cara,转载请注明出处:http://www.makercollider.com/viewpoint/5740

发表评论

登录后才能评论
QR code