Stesura e cura editoriale di Guido Maurelli

Transcript

1 Copyright 2004 Semeion Centro Ricerche di Scienze della Comunicazione Via Sersale, 117 ~ Roma, Italy; semeion@semeion.it; Web: Stesura e cura editoriale di Guido Maurelli

2 Indice 0. Introduzione Il campo di riferimento teorico La Natural Computation I campi di interesse della ricerca 9 1. Ricerca di base, sperimentale e applicata Scoperte e brevetti Sistema Training & Testing (T&T) Pixel Vector Theory (PVT) Pick and Squash Tracking (PST) MutiSom-MetaSom Sine Net (SN) Active Connection Matrix (ACM) Software di ricerca che implementa nuove teorie Econet (Sw) Optimizer (Sw) Map Organizing System (MOS-Sw) Learning Law Simulation (LLS-Sw) Active Connection Matrix (ACM Sw) TSP-GenD (TSP-Sw) PST (PST-Sw) PST On Map (Sw) MultiSom (Sw) Pubblicazioni Articoli pubblicati Articoli scritti in fase di revisione Libri Pubblicazioni interne Partecipazione a conferenze e convegni Ricerca applicata e realizzazione progetti Progetti e applicazioni Nuove collaborazioni istituzionali Attività di formazione verso l esterno Corsi e stage 89 3

3 0. Introduzione Il Centro Ricerche Semeion è un Ente Scientifico senza scopo di lucro, fondato nel 1985, con personalità giuridica riconosciuta dal Ministero dell Università e della Ricerca Scientifica e Tecnologica, da poco rinominato Ministero Istruzione Università e Ricerca (M.I.U.R.), tramite decreto ministeriale del 12 novembre Nella procedura di riconoscimento sono stati due i Comitati Nazionali di Consulenza del Consiglio Nazionale delle Ricerche (C.N.R.) che hanno dato parere positivo: - il Comitato Nazionale per la Scienza e le Tecnologie dell Informazione; - il Comitato Nazionale per le Scienze Economiche, Sociologiche e Statistiche. L obiettivo istituzionale del Semeion è riassumibile in 3 punti: - ricerca di base e sperimentale sui sistemi complessi e sulla simulazione dei processi cognitivi; - conversione dei risultati della ricerca in progetti sociali e di ingegneria civile; - definizione di strategie di intervento previsionale attraverso l uso di tecnologie informatiche avanzate basate su Reti Neurali Artificiali ed altri Sistemi Artificiali Adattivi in diversi campi applicativi. Per il raggiungimento dell obiettivo istituzionale il Semeion ha sviluppato, nel corso di questi anni, diverse attività, riassumibili in una serie di aree che costituiscono la struttura di base su cui si articola il lavoro di ricerca dei ricercatori del Centro. 1. Ricerca di base e sperimentale 1.1. Scoperte e brevetti 1.2. Software di ricerca che implementa nuove teorie 1.3. Pubblicazioni 1.4. Partecipazione dei ricercatori a conferenze e convegni 2. Ricerca applicata e realizzazione progetti 3. Attività di formazione verso l esterno 4

4 Uno schema generale sintetizza l architettura e le diverse connessioni di queste attività. ATTIVITÀ DI RICERCA SEMEION Ricerca di base e sperimentale Ricerca applicata Formazione verso l esterno Scoperte e brevetti Software di ricerca Pubblicazioni Partecipazione a convegni Progetti e applicazioni Corsi e stage Sperimentazioni L equipe dei ricercatori che progetta, incrementa e sviluppa le diverse attività del Semeion è così composto. 5

5 RICERCATORI Prof. Paolo Massimo Buscema (Direttore) Dr.ssa Giulia Massini (Vice-Direttore) Marco Intraligi Dr. Ing. Stefano Terzi ORGANIZZAZIONE RICERCA Dr. Guido Maurelli Dr. Massimiliano Capriotti RICERCATORI ASSOCIATI VISITING RESEARCHERS AMMINISTRAZIONE SEGRETERIA RELAZIONI ESTERNE Dr. Ing. Marco Breda Dr. Vittorio Carlei Dr. Ing. Luigi Catzola Dr. Enzo Grossi Prof. Massimo Cocchi Dr. Luc De Vreese Prof. Stanley Einstein Dr. Marco Ramazzotti Prof. Pier Luigi Sacco Giancarlo Magistretti Marina Marini Sabrina Ottaviani Patrizia Nocera Fidora 6

6 0.1. Il campo di riferimento teorico Il campo di riferimento teorico e metodologico, all interno del quale il Semeion svolge la sua attività di ricerca, è quello delle cosiddette Scienze dell Artificiale (Artificial Sciences). Le Artificial Sciences sono quelle scienze per le quali la comprensione dei processi naturali e/o culturali si realizza tramite la ri-creazione di quei processi stessi, utilizzando modelli automatici. Nell ambito delle Artificial Sciences il computer ha un rapporto simile a quello che la scrittura ha con la lingua naturale. Queste scienze sono costituite di algebre formali per la generazione di modelli artificiali (strutture e processi), nello stesso modo in cui le lingue naturali sono fornite di una semantica, di una sintassi e di una pragmatica per la generazione parole e testi. Nelle lingue naturali la scrittura rappresenta la conquista dell indipendenza della parola dal tempo, tramite lo spazio; nelle Artificial Sciences il computer è la conquista dell indipendenza del modello dal soggetto che lo ha ideato, attraverso l automazione e/o l azione. Così come, servendosi della scrittura, una lingua naturale può creare oggetti culturali che prima della scrittura erano impensabili (romanzi, testi di leggi, manuali ecc...), allo stesso modo le Artificial Sciences, utilizzando il computer, possono creare modelli automatici di computazione dotati di particolare complessità. Nelle Artificial Sciences la comprensione di un qualsiasi processo naturale e/o culturale avviene in modo proporzionale alla capacità del modello artificiale automatico di ricreare quel processo. Più la comparazione tra processo originale e modello generato dà esito positivo, più è probabile che il modello artificiale abbia esplicitato correttamente le regole di funzionamento del processo originale. Questo confronto, tuttavia, non può essere effettuato in modo ingenuo. Sono necessari sofisticati strumenti di analisi per fare una comparazione attendibile tra processo originale e modello artificiale. Gli strumenti di analisi utili per questa comparazione hanno il compito di confrontare le dinamiche di funzionamento del 7

7 processo originale con quelle del modello artificiale, facendo variare contestualmente le rispettive condizioni al contorno. Le Artificial Sciences si suddividono in due grandi settori: la Natural Computation e la Classic Computer Science La Natural Computation Il settore della Natural Computation è quello nel quale il Semeion effettua la sua ricerca da diversi anni. La Natural Computation è quella parte delle Artificial Sciences che tenta di costruire modelli automatici di processi naturali e/o culturali tramite l interazione locale di microprocessi non isomorfi al processo originale. Nella Natural Computation si assume, quindi, che qualsiasi processo sia il risultato, più o meno contingente, di processi più elementari che tendono ad auto-organizzarsi nel tempo e nello spazio e che nessuno dei microprocessi è di per sé informativo circa la funzione che assumerà rispetto agli altri, né del processo globale di cui sarà parte. Questa filosofia computazionale, poco economica per la creazione di modelli semplici, può essere utilizzata efficacemente per creare qualsiasi tipo di sistema o modello che s ispiri a processi complessi, ossia a fenomeni di fronte ai quali le filosofie classiche hanno trovato notevoli difficoltà. E questa la ragione per la quale con la Natural Computation l analisi e la generazione di modelli artificiali altamente non lineari è particolarmente presente. La Natural Computation si occupa in realtà della costruzione di modelli artificiali che simulano la complessità dei processi naturali e/o culturali non tramite regole, bensì tramite vincoli che, a seconda dello spazio e del tempo attraverso il quale prende forma il processo, creano autonomamente insiemi di regole contingenti ed approssimate. La Natural Computation non tenta semplicemente di riprodurre processi naturali e/o culturali, analizzando e formalizzando in un modello artificiale le regole attraverso le quali si desidera che questi processi funzionino. Al contrario, tenta di ricreare processi naturali 8

8 e/o culturali costruendo modelli artificiali in grado di generare dinamicamente regole locali, suscettibili di cambiamento in accordo al processo stesso. Nella Natural Computation una dinamica come l apprendere ad apprendere è implicita nei modelli artificiali stessi, nella Classical Computation, invece, ha bisogno di ulteriori regole I campi di interesse della ricerca L attività di ricerca del Semeion nelle sue tre componenti: ricerca di base, ricerca sperimentale e ricerca applicata ha investito, nel tempo, diversi campi d interesse. Nel corso degli anni, come è ovvio per un centro ricerche, l interesse ha subito modifiche determinate essenzialmente da mutate condizioni storicoscientifiche. Queste trasformazioni d interesse sono state orientate principalmente da due spinte parallele: a) un lavoro di ricerca scientifica sempre più orientato a studiare e comprendere le logiche di funzionamento dei fenomeni complessi; b) un attenzione al contesto storico relativamente allo sviluppo delle dinamiche socio-culturali e alle diverse manifestazioni del mondo naturale. In questa prospettiva l esplicitazione dei campi di interesse nei quali la ricerca del Semeion si è sviluppata dalla sua fondazione ad oggi, consentirà di comprendere l evoluzione scientifica e storica del centro. I campi sono: 1. prevenzione sociale e sanitaria (dal 1985); 2. settore aziendale e industriale (dal 1987); 3. settore scolastico ed educativo (dal 1990); 4. mondo del lavoro e orientamento professionale (dal 1998); 5. economia e finanza (dal 1996); 6. ambiente e territorio (dal 1995); 7. settore medico, biologico e farmaceutico (dal 2000). Relativamente a questo settore è importante sottolineare che a partire dal 2000 il Semeion ha stabilito una relazione di partnership esclusiva con il gruppo Bracco S.p.A., per la ricerca e l applicazione dei suoi modelli basati su Sistemi 9

9 10 Artificiali Adattivi al campo medico-farmaceutico. Questa partnership ha contribuito ad orientare ed incrementare il lavoro di ricerca verso l ideazione di brevetti, la realizzazione di pubblicazioni scientifiche e lo sviluppo di software per la diagnosi e la prevenzione di diverse patologie. Nel corso dell ultimo anno di collaborazione (2003) l attività di ricerca si è maggiormente concentrata nel settore dell imaging bio-medicale, come appare evidente dal contenuto di questo libretto.

10 1. Ricerca di base, sperimentale e applicata Prima di entrare nella descrizione delle diverse attività svolte dai ricercatori, è utile fornire una breve ridefinizione di come il Semeion concepisce la ricerca di base, la ricerca sperimentale e quella applicata. La ricerca di base consiste nella formulazione di teorie adeguatamente formalizzate (linguaggio matematico e/o equivalente implementabile su computer) e nella loro sperimentazione. Ricerca di base e sperimentale sono due facce della stessa medaglia: la prima senza la seconda è non falsificabile e, quindi, incontrollabile, la seconda senza la prima è un attività disordinata. La formulazione di teorie e la loro sperimentazione costituiscono i fondamenti della ricerca di base, così come da anni mostra la fisica. La ricerca di base e quella sperimentale permettono le scoperte fondamentali. Le scoperte fondamentali sono quelle che ridisegnano i criteri con i quali si produce la conoscenza scientifica. Si tratta, quindi, di scoperte che non si limitano ad accrescere la conoscenza scientifica, ma che permettono nel tempo un progresso scientifico forte ed improvviso e un conseguente ritorno esponenziale degli investimenti. Le scoperte incrementali, invece, sono quelle che perfezionano e/o specificano, in un ambito sperimentale o applicativo particolare, le scoperte fondamentali. La ricerca di base si valuta in relazione alla produttività delle scoperte fondamentali e incrementali, e in base al numero di applicazioni tecnologiche che essa permette nel tempo. La ricerca di base e sperimentale, così concepita, è una delle attività principali del Semeion, all interno dei settori dell attività istituzionale. Si tratta di un attività che non viene finanziata direttamente da nessun ente, ma costituisce il motore del lavoro di ricerca che si manifesta successivamente sotto diversi aspetti. La ricerca di base è il luogo di riferimento teorico in relazione al quale la ricerca applicata pianifica la realizzazione dei progetti. È il laboratorio dove si sperimentano nuove teorie e si costruiscono nuovi modelli e algoritmi, realizzando programmi informatici di ricerca che hanno come scopo una pura funzione sperimentale. 11

11 Nell organizzazione generale delle attività di ricerca il tempo dedicato alla ricerca di base corrisponde al 60% delle risorse umane in organico al Semeion. Le pubblicazioni scientifiche, sia in termini di libri sia in termini di articoli scientifici pubblicati su riviste internazionali, sono gli oggetti con i quali la ricerca di base comunica le proprie scoperte alla comunità scientifica. La partecipazione a conferenze e convegni, inoltre, misura il livello di interesse che la comunità scientifica attribuisce al lavoro svolto dai ricercatori del Semeion. La ricerca applicata, invece, è un insieme di procedure organizzate al fine di verificare il dominio di validità e l utilità di una teoria. Essa dipende dalla ricerca di base ed analizza l estensibilità della fase di sperimentazione che ha validato una teoria, al fine di sviluppare tecnologie possibili. La ricerca applicata definisce il grado di sfruttabilità di una teoria sul piano della sua utilità sociale ed economica. In questa prospettiva costituisce una sorta di camera di compensazione tra le scoperte della ricerca di base e le richieste sociali ed economiche della comunità e del mercato. Dove finisce la ricerca sperimentale inizia quella applicata. Nella ricerca applicata si concretizzano progetti e si realizzano prototipi. All interno del Semeion il tempo dedicato alla ricerca applicata equivale a circa il 30% delle risorse umane. L attività di formazione, infine, che comprende anche gli stage formativi nella pianificazione delle attività istituzionali del Semeion, definisce quell attività di divulgazione scientifica con intento didattico, che ha lo scopo di formare nuovi ricercatori nel campo dell intelligenza artificiale con particolare riferimento ai sistemi artificiali adattivi; occupa circa il 10% delle risorse umane del Semeion. 12

12 1.1. Scoperte e brevetti Sistema Training and Testing (T&T). Brevetto USA, denominato: Metodo per l'ottimizzazione di un database per eseguire il training ed il testing di un algoritmo di predizione, particolarmente di una rete neurale depositato il (Autore Massimo Buscema) [Partnership Semeion-Bracco]. Il sistema T&T è un algoritmo finalizzato all addestramento di un modello ottimo per la distribuzione dei campioni di addestramento di un sistema di elaborazione, a partire da un insieme di dati. Il principio su cui si basa è così riassumibile: se dall interpolazione di due insiemi disgiunti (indipendenti) di osservazioni di uno stesso fenomeno, si ottiene la stessa funzione interpolante, si può assumere che la funzione interpolante sia la migliore possibile tra quelle estraibili da quell insieme di osservazioni. T&T si basa su un algoritmo evolutivo, sviluppato dal Semeion Centro Ricerche, GenD [Buscema M. & Semeion Research Group 1999] che ha dimostrato un efficienza maggiore rispetto ai limiti degli Algoritmi Genetici classici, nel risolvere problemi di ottimizzazione complessi. La differenza sostanziale tra questo approccio e quello classico basato su una suddivisione randomica del campione originario consiste nella possibilità di sfruttare tutta l informazione presente nell insieme di dati Pixel Vector Theory (PVT). Brevetto Internazionale, denominato: Metodo per la codifica di pixel di immagini e metodo di elaborazione d'immagine per il riconoscimento qualitativo dell'oggetto riprodotto da uno o più pixel di immagine depositato il (Autore Massimo Buscema) [Partnership Semeion- Bracco]. La Pixel Vector Theory è un metodo per la codifica dei pixel delle immagini allo scopo di individuare l appartenenza di ogni pixel ad una classe in relazione ai 13

13 valori dei toni di grigio. Ogni pixel viene trasformato in un vettore nel quale il pixel centrale è circondato da altri 8 pixel (gradiente 1 bidimensionale), 26 pixel (gradiente 1 tridimensionale), i vettori così formati costituiscono i valori di input di una rete neurale. Nella fase di addestramento i pixel vengono classificati come appartenenti ad un numero di classi che il ricercatore ha deciso di impostare (ad esempio tessuto benigno/maligno di una mammografia). Il sistema consente di classificare ogni pixel, e, quindi di discriminare diverse aree dell immagine che viene sottoposta ad analisi. Tumore al seno Per illustrare l efficacia del funzionamento della PVT mostriamo un esempio di elaborazione nel quale viene messo a confronto la diagnosi fatta da un radiologo su due immagini di tumori al seno, con quella fatta dal sistema a reti neurali. Si può notare che il sistema individua, con la stessa precisione del radiologo, le due aree problematiche dell immagine mammografia. (Radiologo) Benigno 14

14 (Radiologo) Maligno La rete interrogata ha prodotto un ipotesi di appartenenza del tessuto ad una di 5 classi: normale (grigio); benigno (rosso); maligno (verde); muscoli (celeste); sfondo (azzurro); per ciascun pixel componente l immagine. Il risultato con l evidenziazione in rosso e in verde rispettivamente dei pixel identificati come lesioni benigne e maligne è riportato nella figura sottostante. Risulta evidente la capacità del sistema di identificare in modo corretto la lesione. (Sistema ANNs) Benigno 15

15 (Sistema ANNs) Maligno Lo stesso sistema nelle due immagini mammografiche seguenti mostra l evidenziazione in rosso della zona problematica del seno individuata dalla PVT. 16

16 Pick and Squash Tracking (PST). Brevetto Europeo, denominato: Algoritmo per la proiezione di dati di informazioni appartenenti ad uno spazio multidimensionale in uno spazio avente meno dimensioni. Un metodo per l analisi cognitiva dei dati di informazioni multidimensionali basati su detto algoritmo e un programma comprendente il detto algoritmo memorizzato su un supporto registrabile, depositato il (Autore Massimo Buscema) [Partnership Semeion-Bracco]. L algoritmo ha lo scopo di risolvere problemi così sintetizzabili: dati N punti con le loro rispettive distanze in uno spazio L dimensionale, trovare la distribuzione ottimale di questi punti in uno spazio a due dimensioni, in accordo con la matrice delle distanze stabilita. L algoritmo si applica a Database composti da record con un certo numero di variabili, e comprende le seguenti fasi: a) definisce una funzione metrica per calcolare una distanza fra ciascun record del Database; b) calcola una matrice delle distanze tra ciascun record mediante la funzione metrica precedentemente definita; c) definisce uno spazio n-1 dimensionale, in cui ogni record viene definito dalle coordinate n-1; d) calcola le coordinate n-1 di ciascun record nello spazio n-1 dimensionale mediante un algoritmo evolutivo; e) definisce come la migliore proiezione dei record, sullo spazio n-1 dimensionale, quella in cui la matrice delle distanze dei record nello spazio n-1 dimensionale si adatta meglio rispetto alla matrice delle distanze dei record calcolata nello spazio n- dimensionale. L algoritmo consente di affrontare problemi di ottimizzazione relativi a diversi campi applicativi, sia nella dimensione spaziale, che temporale. 17

17 Scoperte 2003 : MultiSOM-MetaSOM. (Autore Giulia Massini). Il sistema MultiSOM MetaSOM è un modello di rete neurale supervisionata in grado di costruire feature maps dell input. E quindi in grado non solo di classificare correttamente l input sulla base di un target esterno, ma anche di fornire informazioni sulla articolazione delle classi e sulle relazioni esistenti tra loro. Il sistema è composto da due reti distinte di cui la prima (MultiSOM) è supervisionata, mentre la seconda (MetaSOM) è non supervisionata, ed elabora in input i pesi della prima riproducendo un output di tipo classificatorio. Le MultiSOM si ispirano alle reti SOM (ideate e sviluppate da T. Kohonen tra il 1979 e il 1982), ma ne stravolgono la struttura rendendole supervisionate, le MetaSOM mantengono la struttura e le finalità delle SOM, ma il loro input è costituito dai modelli delle classi di input costruiti dalle MultiSOM. La MultiSOM nasce dall idea dell autore di creare una rete supervisionata che sia in grado non solo di classificare correttamente l input, ma anche di sottoarticolare le classi creando prototipi. È un sistema supervisionato in grado di classificare gli input sulla base di target esterni, ed è un classificatore spontaneo delle sottoclassificazioni di tali classi. Quest ultima importante caratteristica ereditata direttamente dalle SOM permette di avere importanti informazioni sulle classi e di studiarne la logica sottostante. La MetaSOM è una rete SOM in cui gli input sono costituiti dai codebook, provenienti da una MultiSOM, associati ad un target: la matrice MultiSOM di appartenenza. Tale matrice viene impostata con un numero di unità pari almeno al numero di codebook presenti nella MultiSOM ad essa correlata. Il sistema MultiSOM MetaSOM applicato ad un fenomeno, articolabile in classi, vuole rispondere

18 all esigenza di poterne studiare le relazioni complesse, esistenti tra le classi e le variabili che le compongono. Risulta particolarmente utile quando le classi non sono separabili linearmente e quando interessa comprendere le relazioni che esistono tra le classi. Mostriamo due esempi del processo di elaborazione del sistema nei quali vengono classificate le cifre da 0 a 10 scritte manualmente. Esempio di classificazione di cifre 0-10 su una MultiSOM Proiezione delle cifre su una MetaSOM Sine-Net Artificial Neural Network. Brevetto Europeo, denominato: An Artificial Neural Network Rete Neurale 19

19 Artificiale, depositato il (Autore Massimo Buscema) [Partnership Semeion-Bracco]. La Sine Net (SN) é una famiglia di reti neurali artificiali, ideata e sviluppata da Massimo Buscema a partire dal È caratterizzata da una specifica modalità di processamento delle informazioni all interno di ogni nodo, che influisce sia sulla valutazione dell'output sia sulla fase di apprendimento. La funzione di attivazione del nodo nella SN opera su un ingresso che è costituito da una somma di seni, ciascuno caratterizzato da una propria frequenza costituita dal peso della connessione. Questa modifica sulla struttura base del nodo ha profonde conseguenze sui comportamenti della SN, sia per le proprietà della funzione computata, che per le modalità del processo di apprendimento. In pratica la SN costituisce una nuova e generale legge di apprendimento, in grado di produrre una notevole convergenza e un efficace capacità di estrapolazione a partire da Database di rilevante complessità. I suoi punti di forza, rispetto ad altre reti neurali, sono una minor sensibilità riguardo alla numerosità dei nodi che compongono gli strati interni e una resistenza maggiore al cosiddetto fenomeno dell overfitting, cioè all eccessiva interpolazione dei dati di training a scapito delle capacità di generalizzazione del modello Active Connection Matrix (ACM). Brevetto Europeo, denominato: Un algoritmo per il riconoscimento di relazioni tra i dati di un database e un metodo per il riconoscimento di forme di immagini basato su detto algoritmo, depositato il (Autore Massimo Buscema) [Partnership Semeion-Bracco]. Il sistema Active Connection Matrix (ACM) rappresenta la scoperta più importante dell anno Il settore dell Imaging ha assunto nel Semeion, durante l anno 2003, una notevole rilevanza sia in termini quantitativi, cioè in termini di energie e risorse umane 20

20 impiegate in questo settore di ricerca, sia in termini qualitativi cioè in relazione ai risultati sperimentali raggiunti, valutati anche in base al loro grado di brevettabilità. Per questa ragione all interno di questo rapporto di ricerca generale si ritiene opportuno dare uno spazio specifico al settore dell Imaging, mostrando esempi di elaborazione che dimostrano lo sforzo teorico, metodologico e applicativo che si sta facendo in questo campo. Il software di ricerca ACM è un complesso strumento che implementa un nuovo modo di concepire l elaborazione delle immagini. Si tratta di una nuova teoria attraverso la quale il concetto stesso di analisi dell immagine viene riconsiderato, non è l immagine che viene analizzata, ma è l immagine stessa che mostra la sua struttura dinamica interna. Il sistema ACM si basa sulla idea che ogni fenomeno visivo esprime nella sua forma una sua specifica geometria. Lo scopo di ACM è di offrire al fenomeno visivo la matematica per esprimere dinamicamente la sua specifica geometria, invece di adattarlo ad una geometria già nota al soggetto che opera l'analisi. Si tratta, in pratica, di trasformare l'oggetto di analisi in soggetto che esprime la propria dinamica. Una specie di maieutica matematica, che deve permettere l'esplicitazione oggettiva della soggettività dell'oggetto di analisi. Per i fenomeni visivi la luce e il modo in cui essa è riflessa dai corpi è la materia a cui ACM dà forma. ACM, quindi, può essere anche visto come un analizzatore della interazione complessa tra corpi e luce. Il sistema ACM è una famiglia di sistemi la cui specificità consiste nel considerare ogni fenomeno come una collezione di individui connessi tra di loro localmente e in grado di interagire tra di loro, in modo da arrivare dinamicamente, secondo un processo bottom-up, ad una 21

21 22 configurazione di minimizzazione della energia interna di tutto il fenomeno. L innovazione sostanziale è che non si applica una rete neurale a un'immagine, ma è l immagine che si trasforma in una rete neurale, ogni pixel diventa un nodo in relazione pesata con i pixel/nodi che lo circondano. Il processamento dell immagine avviene sulla base di tre livelli di complessità: 1. Livello sintattico; 2. Livello semantico; 3. Livello pragmatico. Il livello sintattico corrisponde la livello di processamento nel quale il sistema mantiene il più possibile un piano di neutralità. Si tratta di un punto di vista nuovo che può evidenziare aspetti inediti di un immagine. Il livello semantico identifica ciò che è stato evidenziato dal livello sintattico. In questa fase il sistema, attraverso una serie di passaggi e di confronti con tecniche di diagnosi tradizionali, giunge ad una corretta interpretazione dell'immagine. Il livello pragmatico ha il compito di contestualizzare l immagine, mettendo in relazione gli elementi emersi con i diversi contesti nei quali gli stessi elementi possono apparire. Il sistema ACM è costituito di 2 famiglie di sistemi: 1. sistemi per la definizione dei bordi esterni e interni di un fenomeno Adaptive Boundaries Characteristics and Detection (A.B.C.D.); 2. sistemi per la definizione della qualità dei tessuti di un fenomeno Texture Quality (TextQ). I sottosistemi ABCD sono definiti da un sistema di equazioni per la definizione ottima dei pesi tra i componenti minimi che compongono un fenomeno (nel caso di un immagine il pixel). Questo sistema di equazioni è stato chiamato Automa Rule (AR). Inoltre,

22 sono stati definiti tre diversi sistemi per far sviluppare le unità visive, mantenendo i pesi come vincoli : a) il sistema New I.A.C. (Interaction Activation and Competition) b) il sistema New C.S. (Constraint Satisfaction) c) il sistema PmH (Pixel mexican Hat). Il sistema New CS si presenta con tre diverse funzioni di costo (NEG (XOR), AND, CONTESTO) e due varietà (First Order, High Order). I sottosistemi TextQ sono composti da 2 sistemi di elaborazione 1. il sistema CM (Contractive Map); 2. il sistema LS (Local Sine). Il sistema CM permette di visualizzare in ogni instante 4 tipi di Output (Quot, Rem, Quot+Rem, True Colors). Il sistema LS ha due varietà : LS1 e LS2. Mostriamo l architettura del sistema ACM nello schema seguente. 23

23 ACM Architecture and Algorithms Architecture Name: Active Connections Matrix (ACM) Texture Quality (TextQ) TARGET : Features Extractions METHOD : Weights evolution and Units Activation Algorithm Name : Contractive Map (CM) CM Q= Quot CM R = Rem CM Q+R= Quot+Rem CM Soft Armonic CM Hard Armonic Algorithm Name : Local Sine (LS) Local Sine(1) (LS1) Local Sine(2) (LS2) Adaptive Boundaries Characteristics and Detection (ABCD) TARGET : Find Edges METHOD : Weights optimization ALGORITHM NAME : Automata Rule (AR) Method : Units Activation Algorithm Name : New Interactive Activation and Competition (I.A.C.) Algorithm Name : Constraints Satisfaction (CS) Methods: Not(Xor) And, Contest First Order CS Second Order CS (High CS) Algorithm Name : Pixel Mexican Hat (P.m.H.) Dal punto di vista del software questo sistema consente di implementare diversi tipi di combinazioni scegliendo tre livelli di processamento delle immagini: l Algoritmo, il Metodo e la Vista. Mostriamo di seguito una serie di esempi di elaborazioni di immagini utilizzando il sistema ACM, e servendosi di leggi di apprendimento diverse. Iniziamo con 3 esempi di Edge detection, nei quali viene applicato l algoritmo IAC. 24

24 Sistemi per l individuazione di bordi e contorni (ABCD) Elaborazione 1 Nel primo caso di Edge detection viene trattata un immagine del sangue. Nella figura sottostante appare sulla sinistra in alto l immagine originale, sulla destra sempre in alto appare l elaborazione con ACM utilizzando l algoritmo IAC, tutte le altre immagini sono elaborazioni dei più diffusi filtri esistenti (Sobel, Prewitt, Roberts, Log, Canny). In questo modo è possibile osservare la qualità dei risultati prodotti dai modelli messi a confronto. La modalità di presentazione delle 3 elaborazioni di Edge detection saranno identiche. Originale Sobel Prewitt IAC Roberts Log Canny Elaborazione 2 Nel secondo caso Edge detenction si tratta di un immagine dell alluminio. Anche qui sulla sinistra in alto appare l originale, sulla destra appare l elaborazione con ACM utilizzando l algoritmo IAC, tutte le altre sono elaborazioni di filtri esistenti. 25