Apprendimento di modelli per reti cellulari non lineari (CNN): tecniche e applicazioni

This thesis investigates the efficacy of the Random Weight Change (RWC) algorithm in learning template coefficients for Cellular Neural Networks (CNNs) applied to various image processing tasks. Through supervised learning, either via image processing techniques or manual sketching, the RWC algorithm successfully minimized the error between desired outputs and the steady-state outputs of CNNs. Our results demonstrated that the RWC learning rule could effectively generate templates for tasks such as edge detection, corner detection, and complex challenges like Minsky’s hard problem. This versatility indicates its potential for broader applications. The study also emphasizes the suitability of the RWC algorithm for real-time applications, particularly due to its simplicity and hardware-friendly nature. This makes it an ideal candidate for on-chip learning in analog neural networks. Future integration with advanced hardware technologies, such as memristor-based memory devices, could enhance the efficiency and processing capabilities of CNNs. A significant portion of our research focused on adapting CNNs for specific practical applications, notably underwater pipeline detection and tracking. By customizing CNN templates for these unique tasks, we showcased the robustness and practical viability of the RWC algorithm in real-world scenarios. Our approach demonstrated the superior performance of CNNs in detecting underwater pipelines from video footage, surpassing traditional methods. Nonetheless, there remains scope for refining the detection algorithm through additional image processing steps. Future research should aim at improving the accuracy and speed of CNN learning algorithms, expanding the range of applicable image processing tasks, and integrating CNNs with emerging technologies. Enhancing the dataset for training CNNs and incorporating advanced techniques such as adaptive thresholding, noise reduction, and feature extraction can further improve robustness and reliability. Additionally, integrating machine learning algorithms and hardware accelerators could significantly advance real-time underwater pipeline monitoring. In summary, this study highlights the potential of CNNs and the RWC algorithm in tackling complex image processing challenges, particularly in underwater pipeline detection. The findings provide a promising foundation for further research and development, aiming for more accurate, efficient, and reliable real-time solutions across various fields, including environmental monitoring, autonomous navigation, and biomedical imaging.

Questa tesi indaga l'efficacia dell'algoritmo Random Weight Change (RWC) nell'apprendimento dei coefficienti del modello per le reti neurali cellulari (CNN) applicati a varie attività di elaborazione delle immagini. Attraverso l'apprendimento supervisionato, oppure tramite l'elaborazione delle immagini tecniche o schizzi manuali, l'algoritmo RWC ha ridotto al minimo l'errore con successo tra le uscite desiderate e le uscite stazionarie delle CNN. I nostri risultati hanno dimostrato che la regola di apprendimento RWC potrebbe generare efficacemente modelli per attività del genere come il rilevamento dei bordi, il rilevamento degli angoli e sfide complesse come il problema difficile di Minsky. Questa versatilità indica il suo potenziale per applicazioni più ampie. Lo studio sottolinea inoltre l'idoneità dell'algoritmo RWC per applicazioni in tempo reale, in particolare per la sua semplicità e la sua natura di facile utilizzo per l'hardware. Questo lo rende un candidato ideale per l'apprendimento su chip nelle reti neurali analogiche. Integrazione futura con tecnologie hardware avanzate, come i dispositivi di memoria basati su memristor, potrebbero migliorare l’efficienza e le capacità di elaborazione delle CNN. Una parte significativa della nostra ricerca si è concentrata sull’adattamento delle CNN per pratiche specifiche applicazioni, in particolare il rilevamento e il tracciamento di condotte sottomarine. Personalizzando la CNN modelli per questi compiti unici, ne abbiamo dimostrato la robustezza e la fattibilità pratica dell’algoritmo RWC in scenari reali. Il nostro approccio ha dimostrato la superiorità prestazioni delle CNN nel rilevamento di condotte sottomarine da riprese video, superando i metodi tradizionali. Resta comunque la possibilità di affinare il rilevamento algoritmo attraverso ulteriori passaggi di elaborazione delle immagini. La ricerca futura dovrebbe mirare a migliorare l’accuratezza e la velocità dell’apprendimento della CNN algoritmi, ampliando la gamma di attività di elaborazione delle immagini applicabili e integrandole CNN con tecnologie emergenti. Miglioramento del set di dati per l'addestramento delle CNN e incorporazione di tecniche avanzate come soglia adattiva, riduzione del rumore e l'estrazione delle funzionalità può migliorare ulteriormente la robustezza e l'affidabilità. Inoltre, l’integrazione di algoritmi di apprendimento automatico e acceleratori hardware potrebbe compiere notevoli progressi monitoraggio in tempo reale delle condotte sottomarine. In sintesi, questo studio evidenzia il potenziale delle CNN e dell'algoritmo RWC in affrontare complesse sfide di elaborazione delle immagini, in particolare nel rilevamento di condotte sottomarine. I risultati forniscono una base promettente per ulteriori ricerche e sviluppi, puntando a soluzioni in tempo reale più precise, efficienti e affidabili in vari campi, compreso il monitoraggio ambientale, la navigazione autonoma e l’imaging biomedico.