Práctica 2

Tarea 4°
Seminario de Solución de Problemas de Inteligencia

Artificial II
-Objetivos:
• Comprender el comportamiento de los mapas auto-organizados.

• Entender el aprendizaje no supervisado.
• Aplicar los mapas auto-organizados para la segmentación de imágenes.
-Introducción:
En 1982 T. Kohonen presentó un modelo de red denominado mapas auto- organizados o

SOM (Self-Organizing Maps), basado en ciertas evidencias descubiertas a nivel cerebral. Este
tipo de red posee un aprendizaje no supervisado competitivo. Los Self Organizing Maps
(Mapas Auto-Organizados), o SOM, fueron inventados en 1982 por Teuvo Kohonen,
profesor de la Academia de Finlandia, y proporcionan una forma de representar datos
multidimensionales (vectores) en espacios de dimensión inferior, normalmente, en 2D. Este
proceso de reducir la dimensionalidad de vectores es una técnica de compresión de datos
conocida como Cuantización Vectorial. Además, la técnica de Kohonen crea una red que
almacena información de forma que las relaciones topológicas del conjunto de entrenamiento
se mantienen.
Su finalidad es descubrir la estructura subyacente de los datos introducidos en ella. A lo largo

del entrenamiento de la red, los vectores de datos son introducidos en cada neurona y se
comparan con el vector de peso característico de cada neurona. La neurona que presenta
menor diferencia entre su vector de peso y el vector de datos es la neurona ganadora (o BMU)
y ella, y sus vecinas verán modificados sus vectores de pesos. Un ejemplo habitual que se
usa para mostrar cómo funcionan los SOM se basa en la proyección de colores (asociados a
vectores 3D formados a partir de, por ejemplo, sus 3 componentes RGB) en un espacio 2D
En general, el algoritmo SOM considera una arquitectura en 2 capas: por una parte tenemos
una capa de nodos de aprendizaje, de la que nos importa la relación topológica que hay entre
ellos, y que serán los que finalmente contendrán la información acerca de la representación
resultante, junto con una capa de nodos de entrada, donde se representarán los vectores
originales durante el proceso de entrenamiento. Además, todos los elementos de la primera
capa están conectados con todos los elementos de la segunda capa. La siguiente figura
muestra una posible arquitectura 2D para un entrenamiento SOM, la red de aprendizaje viene
representada por los nodos rojos, y los vectores de entrenamiento vienen representados en
verde. Como en muchos sistemas similares (por ejemplo, las redes neuronales, que son
modelos muy cercanos), la idea del algoritmo consistirá en encontrar los pesos adecuados de
las conexiones entre ambas capaz para dar una "representación" adecuada de los datos de
entrada en la estructura geométrica de los nodos de aprendizaje.
Partiendo de una distribución de pesos inicial (normalmente aleatorios), el SOM tiende a

aproximarse a una distribución de pesos estable. Cada una de estas zonas que se estabiliza se
convierte en un clasificador de propiedades, de forma que la red se convierte en una salida que
representa una aplicación de clasificación. Una vez estabilizada la red, cualquier vector nuevo
estimulará la zona de la red que tiene pesos similares. De forma más detallada, los pasos que
se siguen para el proceso de entrenamiento son:
1. Hacer un mapa de neuronas con vectores de pesos aleatorios.
2. Tomar un vector de entrada.
a) Iterar por cada neurona del mapa.
i. Calcular la distancia entre el vector de entrada y los vectores de pesos de las
neuronas del mapa.
ii. Mantener la neurona que ha tenido la menor distancia, esta neurona será el BMU.
b. Actualizar las neuronas en la vecindad del BMU
3. Incrementar s y volver al paso 2, mientras
-Implementación y actividades:
Analizar el documento titulado “Segmentación de imágenes de color imitando la percepción

humada del color.pdf”. En dicho documento, se explica la importancia de los mapas
autoorganizados para poder clasificar los pixeles de la imagen de acuerdo con la información
contenida en cada uno de ellos.
En el archivo pdf adjunto se encuentra detallado el procedimiento por el cual se lee una
imagen RGB y después es transformada al espacio de color HSV (dijo que se podía trabajar
en RGB, HSV o GS, yo trabajare con RGB). Con la imagen RGB deben aplicar los mapas
auto-organizados para poder segmentar los objetos contenidos en la imagen. Se deben realizar
pruebas con diferentes configuraciones de los mapas auto-organizados, esto con la finalidad
de poder encontrar configuración más apropiada para este problema.
- Desarrollo:
Se realizo el presente programa con mapas auto-organizados, para hacer segmentación de

objetos contenidos en una imagen en espacio de color RGB. Primero se lee o carga una
imagen en formato jpg, la cual la transformo en escala de grises para poderla trabajar de
forma más sencilla, le doy formato de 3 dimensiones donde existe una fila de m*n lo cual
forma mi dataset y tabla. Con este paso a crear mi mapa-autorganizado, le determino cuantas
dimensiones va tener, genero la red necesaria para el cluster, se entrena la red, la cual se
prueba para obtener sus correspondientes vecindades y clasificación. Vemos la red obtenida,
le vuelvo a dar formato de tabla a la salida obtenida del clustering. Obtengo 3 tipos de
imágenes con su correspondientes segmentos o componentes en rojo, verde y azul
pertenecientes a nuestro espacio de color RGB, y realizo el cambio para poder mostrar
clustering en color en vez de escala de grises. Finalmente muestro la imagen original con las
3 nuevas imágenes, cada cual con su correspondiente clasificación del clustering realizado
del mapa-autorganizado.
Así se obtuvo los siguientes resultados, donde trabaje con 5 imágenes del Berkeley
Segmentation Dataset. A continuación, muestro las imágenes obtenidas de la presente
clasificación de segmentaicón de objetos contenidos en una imagen con mapa-autorganizado
en espacio de color RGB
*5 Imágenes originales usadas:
*5 Imágenes con segmentación de objetos contenidos con mapa-
autorganizado en espacio de color RGB:
*5 Imágenes mostramos la imagen original con las 3 con segmentación de
objetos contenidos con mapa-autoorganizado en espacio de color RGB

Práctica 2

Cargado por

Copyright:

Formatos disponibles

Práctica 2

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Práctica 2

Cargado por

Copyright:

Formatos disponibles

Tarea 4°

Seminario de Solución de Problemas de Inteligencia

• Comprender el comportamiento de los mapas auto-organizados.

En 1982 T. Kohonen presentó un modelo de red denominado mapas auto- organizados o

Su finalidad es descubrir la estructura subyacente de los datos introducidos en ella. A lo largo

Partiendo de una distribución de pesos inicial (normalmente aleatorios), el SOM tiende a

b. Actualizar las neuronas en la vecindad del BMU

3. Incrementar s y volver al paso 2, mientras

Analizar el documento titulado “Segmentación de imágenes de color imitando la percepción

Se realizo el presente programa con mapas auto-organizados, para hacer segmentación de

También podría gustarte