TESE DE MESTRADO APLICAÇÃO DE REDES NEURAIS DE HOPFIELD PARA DETECÇÃO E ESTIMAÇÃO DE MOVIMENTO EM UM SINAL DE VÍDEO DIGITAL Orientador: Prof. Dr. Cairo L. Nascimento Jr. Orientador: Prof. Dr. Fernando T. Sakane Aluno: Carlos E. C. Santana

Conteúdo da Apresentação Objetivo Introdução ao Problema Justificativa da abordagem adotada Abordagens Tradicionais Abordagem Utilizando Redes Neurais de Hopfield Simulações e Resultados Obtidos Conclusões Trabalhos Futuros

Objetivo Estudo da aplicação de técnicas que utilizam redes neurais para a detecção e estimação de movimento na codificação digital de sinais de vídeo.

Introdução ao Problema Seja o codificador híbrido abaixo: +

Introdução ao Problema Compensação e estimação de movimento:

Justificativa da Abordagem Adotada Compensação de movimento permite predizer melhor o quadro atual, melhorando a eficiência da codificação diferencial. Método do casamento de blocos, métodos recursivos (métodos de gradiente) e métodos bayesianos são alguns dos métodos utilizados para detectar e estimar movimento.

Justificativa da Abordagem Adotada A exploração de técnicas de detecção e estimação de movimento ainda é um campo aberto de pesquisa, e que pode ser colocado como um problema de otimização. Sendo as redes neurais uma ferramenta que tem se mostrado eficiente para tal (particularmente pela possibilidade de processamento paralelo), essa tese visou estudar a sua aplicação na detecção e estimação de movimento.

Abordagens Tradicionais O padrão MPEG, por exemplo, divide os quadros de um sinal de vídeo em blocos e macroblocos. Assim sendo, o padrão MPEG adota a técnica de casamento de blocos para detecção e estimação de movimento.

Abordagens Tradicionais (Casamento de blocos)

Abordagens Tradicionais (Casamento de blocos) Algumas das principais funções custo: MSD MAD PDC

Abordagem Utilizando Rede Neural de Hopfield A rede neural de Hopfield é um sistema dinâmico (evolui no tempo) não-linear. Determinam-se os parâmetros da rede neural utilizando-se o valor da luminância dos pixels dos quadros atual e referência. A rede parte de um estado inicial e atinge um estado final que define a solução do problema (o vetor movimento).

Abordagem Utilizando Rede Neural de Hopfield Rede neural uni-dimensional:

Abordagem Utilizando Rede Neural de Hopfield Rede neural uni-dimensional:

Abordagem Utilizando Rede Neural de Hopfield Rede neural bi-dimensional:

Abordagem Utilizando Rede Neural de Hopfield Rede neural bi-dimensional:

Abordagem Utilizando Rede Neural de Hopfield A rede converge para um ponto de equilíbrio estável se: 1) a atualização das suas unidades for assíncrona e usar a função “threshold”, 2) W simétrica e Wii  0.

Abordagem Utilizando Rede Neural de Hopfield Para problemas de otimização utilizando redes neurais de Hopfield: Onde: Ej é a expressão da função pseudo-energia à restrição j; Rj é o peso à restrição j.

Abordagem Utilizando Rede Neural de Hopfield

Abordagem Utilizando Rede Neural de Hopfield Para rede uni-dimensional:

Abordagem Utilizando Rede Neural de Hopfield Para rede uni-dimensional (cont.): Temos então:

Abordagem Utilizando Rede Neural de Hopfield Para rede uni-dimensional (cont.): Igualando as expressões pseudo-energia: 1  c  M, 1  d  M e

Abordagem Utilizando Rede Neural de Hopfield Para rede bi-dimensional:

Abordagem Utilizando Rede Neural de Hopfield Para rede bi-dimensional (cont.):

Abordagem Utilizando Rede Neural de Hopfield Para rede bi-dimensional (cont.): Igualando as expressões pseudo-energia: 1  i, x  M e 1  j, z  N ,

Simulações e Resultados Obtidos Escolher o bloco do quadro atual, Determinar os parâmetros bias e W da rede neural, Inicializar as unidades da rede, Atualizar as unidades de maneira assíncrona (utilizando “simulated annealing”) até a rede convergir para um ponto de equilíbrio estável, Nesse caso o estado das unidades define o vetor movimento do bloco em relação ao quadro referência.

Simulações e Resultados Obtidos

Simulações e Resultados Obtidos Para rede uni-dimensional e bloco (6, 16):

Simulações e Resultados Obtidos Parâmetro Valor M (número de blocos candidatos englobados pela área de busca) 49 blocos candidatos N (número de pixels do bloco F, igual a mxn, onde m = n = 8) 64 pixels Nit (número máximo de iterações da rede neural) 10000 iterações 0 (ganho da função sigmóide utilizado para definir o estado inicial das unidades da rede neural) 0,1 F (ganho da função sigmóide quando a iteração da rede for Nit) 25  (limiar que define a convergência da rede) 0,00001 q (ver Nota abaixo) 1

Simulações e Resultados Obtidos Custo fornecido pelo bloco candidato mais parecido com o bloco F Componente dh do vetor movimento, (deslocamento horizontal) 1 pixel para a esquerda Componente dv do vetor movimento, (deslocamento vertical) 1 pixel para cima Número de iterações para a rede convergir para a solução do problema 266 Componente dh do vetor movimento, (deslocamento horizontal) 1 pixel para a esquerda Componente dv do vetor movimento, (deslocamento vertical) 1 pixel para cima

Simulações e Resultados Obtidos

Simulações e Resultados Obtidos Para rede bi-dimensional e bloco (24, 64):

Simulações e Resultados Obtidos Parâmetro Valor M (número de blocos candidatos englobados pela área de busca) 3 blocos candidatos N (número de pixels do bloco F, igual a mxn, onde m = n = 2) 4 pixels Nit (número máximo de iterações da rede neural) 10000 iterações 0 (ganho da função sigmóide utilizado para definir o estado inicial das unidades da rede neural) 0,5 F (ganho da função sigmóide quando a iteração da rede for Nit) 25  (limiar que define a convergência da rede) 0,0001 γ 1 q

Simulações e Resultados Obtidos Número de iterações para a rede convergir para a solução do problema 660 Componente dh do vetor movimento, (deslocamento horizontal) 1 pixel para a esquerda Componente dv do vetor movimento, (deslocamento vertical) 0 pixel

Conclusões Ambas as topologias apresentaram resultados corretos. Verificou-se que os parâmetros da rede devem ser ajustados para cada bloco dentro de uma mesma imagem. Aumentando-se o número de unidades da rede verifica-se maior dificuldade no ajuste dos parâmetros que definem a dinâmica da rede neural. É possível diminuir o número de iterações da rede, mas isso requer novo ajuste dos parâmetros que definem a dinâmica da rede neural.

Perspectivas Futuras Desenvolver método para melhor ajustar os parâmetros das redes neurais visando menor dependência dos blocos e maior velocidade de convergência. Comparação da eficiência (em número de operações) entre as técnicas utilizando redes neurais e da busca exaustiva.