La classificazione di immagini telerilevate mediante reti neurali fuzzy Artmap: tecniche di apprendimento incrementale

1. Introduzione [n] Questa tesi nasce nell'ambito della ricerca sui classificatori neurali applicati ad immagini telerilevate. Lo studio è stato sviluppato nel laboratorio di Remote Sensing Image Analysis (RSIA), che fa parte del Signal Processing & Telecommunications Group presso il Dipartimento di Ingegegneria Biofisica ed Elettonica (DIBE) della facoltà di Ingegneria Elettronica dell'Università di Genova. 1.1 Premesse e motivazioni [c][n] L'approfondimento delle tematiche affrontate in questa trattazione è contestuale alla ricerca fatta dal laboratorio Remote Sensing Image Analysis , nell'ambito dell'apprendimento incrementale dei classificatori neurali in applicazioni di pattern recognition che utilizzano immagini telerivelate [54][55][56][57][58][59][60][61][62]. Un tema fondamentale nell'ambito del telerilevamento è il problema della minimizzazione dei costi di riaddestramento di un classificatore che elabora immagini multispettrali e multitemporali acquisite su una certa area geografica prestabilita. In particolare, un problema significativo incontrato nella classificazione delle immagini telerilevate, è che un classificatore addestrato su una particolare immagine img ( t k ) raramente fornisce prestazioni sufficienti quando utilizzato con un'immmagine diversa. Una volta che si é addestrato un classificatore a riconoscere un una immagine ad un certo istante temporale tk, si vorrebbe che il sistema fosse in grado di essere riaddestrato, successivamente nel tempo, con nuove immagini della stessa area geografica mantenendo una sufficente accuratezza di classificazione su tutte le immagini che hanno contribuito all'addestramento successivamente nel tempo, a partire da uno stato iniziale fino a tk. Un classificatore incrementale di immagini consiste in un sistema di elaborazione capace di: (a) acquisire nuova conoscenza quando nuove immagini diventano disponibili, (b) mantenere la conoscenza acquisita con le immagini precedenti. Sono state presentate a tutt'oggi soluzioni di apprendimento incrementale che utilizzano sia sistemi basati sulla classificazione Bayesiana, sia sistemi basati sulle reti neurali artificiali. Nell'ambito dei classificatori neurali é stata sviluppata al RSIA una rete neurale di tipo growing radial basis functions (3.3.1.1) che offre buone prestazioni ed é stata il punto di partenza concettuale del mio lavoro, oltre che il riferimento di confronto per le sperimentazioni effettuate [60][61][62]. Nell'analisi delle varie architetture neurali che affrontano il problema della classificazione con apprendimento incrementale, ho trovato particolarmente interessanti le reti neurali ART: la Adaptive Resonance Theory è la teoria che stà alla base della macchina neurale implementata da S. Grossberg e G. Carpenter nel 1987 nell'intento di realizzare un sistema che risolvesse lo stability-plasticity dilemma (4): il compromesso tra stabilità e plasticità che tutti i sistemi di apprendimento incrementale devono risolvere [1][1b][2][3][3a][4]. Una proprietà fondamentale delle reti neurali che attuano una auto-organizzazione (attraverso una allocazione dinamica dei nodi) é l'abilità di apprendere nuova conoscenza senza dimenticare le informazioni apprese in addestramenti precedenti. Nell'ambito della classificazione é necessario che i sistemi di apprendimento incrementale siano in grado di essere plastici per potersi facilmente adattare nell'aquisizione di nuove informazioni, senza