Producing pattern examples from “mental” images

Grieco, Bruno P. A.; Lima, Priscila M. V.; Gregorio, Massimo De; França, Felipe M. G.

doi:10.1016/j.neucom.2009.11.015

Cited by 46 publications

(25 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…DRASiW [11] is an extension to the WiSARD model. Instead of having RAM locations set to 1 if accessed under training, they are incremented by 1 at each access.…”

Section: A Wisard Approach For Deformable Objectsmentioning

confidence: 99%

Segmentation performance in tracking deformable objects via WNNs

Staffa

Rossi

Giordano

et al. 2015

2015 IEEE International Conference on Robotics and Automation (ICRA)

Self Cite

View full text Add to dashboard Cite

In many real life scenarios, which span from domestic interactions to industrial manufacturing processes, the objects to be manipulated are non-rigid and deformable, hence, both the location of the object and its deformation have to be tracked. Different methodologies have been applied in literature, using different sensors and techniques for addressing this problem. The main contribution of this paper is to propose a Weightless Neural Network approach for non-rigid deformable object tracking. The proposed approach allows deploying an on-line training on the shape features of the object, to adapt in real-time to changes, and to partially cope with occlusions. Moreover, the use of parallel classifiers trained on the same set of images allows tracking the movements of the objects. In this work, we evaluate the filtering/segmentation performance that is a fundamental step for the correct operation of our approach, in the scenario of pizza making.

show abstract

“…DRASiW [11] is an extension to the WiSARD model. Instead of having RAM locations set to 1 if accessed under training, they are incremented by 1 at each access.…”

Section: A Wisard Approach For Deformable Objectsmentioning

confidence: 99%

Segmentation performance in tracking deformable objects via WNNs

Staffa

Rossi

Giordano

et al. 2015

2015 IEEE International Conference on Robotics and Automation (ICRA)

Self Cite

View full text Add to dashboard Cite

show abstract

“…Uma maneira encontrada para contornar esse problema foi o mecanismo de Bleaching, representado na Figura 4. A fase de treinamento com esse mecanismoé alterada no seguinte aspecto: ao invés de armazenar 1, ele incrementa +1 no conteúdo da memória responsável, sendo assim, terminada a fase de treinamento os valores do conteúdo da memória irão variar de 0 a X, onde Xé o número de padrões de treinamento [10]. Esse mecanismo permite obter maiores detalhes sobre a etapa de treinamento e desta forma saber quais subconjuntos foram acessados dentro do discriminador.…”

Section: B Mecanismo De Bleachingunclassified

“…2) Reconhecimento: Na etapa do reconhecimento, apresentado na Figura 2, a rede analisa a resposta de todos os discriminadores e escolhe o que ativou o maior número de neurônios [8]. Esses neurônios produzem saídas binárias: 1 se a posição que foi indicada pelo endereço que a RAM recebe estava marcado; e 0, caso contrário [10]. O placar de um discriminadoré a soma das respostas de todas as RAMs desse discriminador [8].…”

Section: Introductionunclassified

Aplicando Redes Neurais sem Peso em Mineração de Opinião no Twitter

Rangel¹,

Firmino²,

Alves³

et al. 2015

Anais Do 12. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

Resumo-Redes Sociais online, como por exemplo o Twitter, são amplamente utilizadas pelos seus usuários para expressar opiniões sobre questões que os cercam diariamente. Por meio da aplicação de algoritmos de classificaçãoé possível a identificação de padrões capazes de categorizar as mensagens oriundas de mídias sociais sob diversos pontos de vista. Os classificadores WiSARD podem ser utilizados para classificação de documentos textuais no modelo bag-of-words. O presente trabalho visa comparar a aplicação do classificador WiSARD com outros classificadores amplamente utilizados na mineração de opinião no contexto de documentos textuais oriundos de mídias sociais online. O classificador WiSARD apresentou acurácia próxima a do SVM e superior a do Naive Bayes nos dois datasets de teste utilizados.Palavras-chave-Opinion Mining, WiSARD, Weightless Neural Networks, Support Vector Machines, Naive Bayes, Bag of Words. I. INTRODUÇÃORedes sociais online tornaram-se uma importante ferramenta de comunicação para a sociedade. Por meio dessas mídias, usuários compartilham suas opiniões sobre diversos assuntos. Para ilustrar a relevância do conteúdo publicado nas redes sociais online, a revista The New York Times apresentou um artigo destacando a importância dessas redes durante as eleicões presidenciais nos Estados Unidos em 2012 [1]. Outra importante utilização das mídias sociais está relacionada ao marketing digital, onde redes sociais online aproximaram empresas e consumidores. O company branding e o wordof-mouth advertising foram destacados pela Forbes como principais benefícios das mídias sociais em uma pesquisa de tendências para o ano de 2014 [2]."O que as pessoas pensam"é uma importante informação, para a maioria das pessoas, durante um processo de tomada de decisão [3], e a mineração de opinião tem como objetivo responder essa questão apoiada em técnicas de aprendizado de máquina. Tratando-se de documentos textuais oriundos de redes sociais online, tais técnicas tem como objetivo encontrar padrões nesses documentos e categorizá-los automaticamente sob um determinado ponto de vista. Existem diversas abordagens para extrair padrões de dados. Dentre as abordagens supervisionadas mais utilizadas no cenário de mídias sociais online, estão o Support Vector Machine (SVM) e o Naive Bayes.Devidoà disponibilidade do seu conteúdo, o Twitteré uma das redes sociais online mais estudadas. Muitos desses estudos visam identificar padrões de mensagens compartilhadas na rede com objetivo de classificá-las automaticamente. Por exemplo, o Twitter foi utilizado como fonte de dados para analisar a opinião pública a respeito das manifestações ocorridas em junho de 2013 no Brasil [4]. Os tweets foram classificados automaticamente como apoiando ou repudiando as manifestações, e o classificador utilizado no trabalho foi o Naive Bayes. Outro trabalho apresenta como objetivo identificar o alinhamento político dos usuários do Twitter por meio da classificação das mensagens desses usuários. Para isso, foi utilizado o SVM para categorizar as mensag...

show abstract

“…Esta forma de implementação consegue contornar o problema da impossibilidade de implementação da função Exclusive OR pelo modelo de neurônio de McCulloch and Pitts -o perceptron, além de apresentar a vantagem de ser treinada em um tempo muito curto, essencial para a aplicação abordada no presente artigo. WiSARD é uma rede neural destinada para o reconhecimento de padrões mas também pode ser utilizada com outros fins, como por exemplo o rastreamento de alvos (este artigo), o controle automático dos movimentos de uma plataforma offshore [7], o reconhecimento de padrões e a construção de modelos mais representativos para padrões previamente treinados [28], a minimização do problema de saturação dos neurônios [29], a classificação de portais [30], o desenvolvimento de sistemas de vigilância [8], a localização de um robô durante sua navegação em uma sala de escritório [31] e o diagnóstico de distúrbios neuromusculares [32]. A rede WiSARD pode ser implementada em hardware [33].…”

Section: A Rede Neural Sem Peso Wisardunclassified

“…O controle depende da modelagem do movimento do navio (seis eixos de liberdade). Para controlar os movimentos da plataforma, uma rede WiSARD A rede WiSARD pode ser utilizada para o reconhecimento de padrões [28]. Contando a frequência com que os endereços de cada nó RAM são acessados durante a fase de treinamento, é possível associar os endereços mais acessados com os padrões utilizados na fase de treinamento.…”

Section: A Rede Neural Sem Peso Wisardunclassified

Aplicação da Rede Neural Sem Peso Wisard para o Rastreamento de Alvos de Superfície no Mar

Moreira¹,

Ebecken²

2013

L&NLM

View full text Add to dashboard Cite

Resumo-Neste artigo é apresentado um método de rastreamento de alvos de superfície em vídeo utilizando a rede neural sem peso WiSARD dado somente a informação sobre sua localização no primeiro quadro. O rastreamento de objetos em vídeo é uma tarefa importante e desafiadora em muitas aplicações. Dificuldades podem surgir devido à condição climática, à trajetória, ao aspecto do alvo, à oclusões, à condições de iluminação e à presença de ruído. O rastreamento é uma aplicação de alto nível e requer a localização do objeto quadro a quadro em tempo real. Os três principais passos executados a cada quadro por um rastreador baseado na detecção por segmentação são: a detecção, o acompanhamento e a análise das características do objeto. Estes passos dependem da qualidade da segmentação. O rastreamento realizado com a rede neural WiSARD depende da qualidade da binarização. Este artigo propõe uma forma rápida de binarização híbrida (limiarização e detecção de borda) no modelo de cor YCbCr e maneiras de configurar uma rede neural WiSARD para melhorar a eficiência do rastreador quando erros de binarização ocorrem.Palavras-chave-Redes neurais sem peso, rede neural WiSARD, segmentação de imagens, binarização de pixels, modelos de cor, rastreamento de objetos, alvos de superfície. IntroduçãoO rastreamento de alvos de superfície (todas as embarcações, navios ou barcos inimigos) é uma tarefa de grande importância para navios de guerra da Marinha. O grande avanço da eletrônica e o surgimento de novas tecnologias possibilitaram o emprego de diferentes tipos de armas dentro do cenário tático. Todos os tipos de armas são apoiados por um sistema de rastreamento de alvos que utilizam sensores e equipamentos como o odômetro, o anemômetro, a giro, o radar, o sonar, a EOS (equipamento responsável por captar imagens do cenário tático) e o MAGE [1] (Medida de Apoio a Guerra Eletrônica -classificador de ondas eletromagnéticas) com a finalidade de calcular qual a melhor direção e sentido para um disparo.O rastreamento por vídeo [2,3,4] é uma ferramenta que substitui ou auxilia os sistemas de rastreamento por radar. Muitos fatores dificultam o acompanhamento por radar [5]. Entre eles estão as condições climáticas que geram cluster (espécie de ruído) nos sinais de radar, a presença de zonas não cobertas pelo radar, os sistemas de contramedidas eletrônicas que geram sinais eletromagnéticos capazes de saturar ou enganar os sinais recebidos pela antena do radar e o elevado custo do hardware envolvido. O sistema de rastreamento de alvos por vídeo utiliza os sinais das EOS (alças optrônicas), responsáveis por captar imagens do cenário tático onde se encontra o navio para detectar o alvo de superfície e realizar o rastreamento em tempo real.Este artigo apresenta um rastreador de alvos de superfície em vídeo baseado na rede neural sem peso WiSARD [6,7,8] que é eficiente, executado em tempo real e que consegue compensar erros de binarização gerados na etapa de segmentação de cada quadro. Para atingir a melhor configuração (compensar melhor os erros de b...

show abstract

Producing pattern examples from “mental” images

Cited by 46 publications

References 10 publications

Segmentation performance in tracking deformable objects via WNNs

Segmentation performance in tracking deformable objects via WNNs

Aplicando Redes Neurais sem Peso em Mineração de Opinião no Twitter

Aplicação da Rede Neural Sem Peso Wisard para o Rastreamento de Alvos de Superfície no Mar

Contact Info

Product

Resources

About