Learning picture languages using restarting automata

Abstract

Ačkoliv existuje mnoho modelů automatů pracujících nad dvojrozměrnými vstupy (obrázky), málokdo se dosud zabýval tématem učení těchto automatů. V této práci představujeme nový model zvaný dvojrozměrný restartovací automat s omezeným kontextem. Náš model pracuje podobně jako dvojrozměrný restartovací dlaždicový automat, avšak ukazuje se, že má stejnou sílu jako dvojrozměrný sgrafito automat. V práci jsme navrhli algoritmus učení těchto automatů z pozitivních a negativních příkladů obrázků. Tento algoritmus je implementován a následně otestován na několika základních obrázkových jazycích. Powered by TCPDF (www.tcpdf.org)

There are many existing models of automata working on two-dimensional inputs (pictures), though very little work has been done on the subject of learning of these automata. In this thesis, we introduce a new model called two-dimensional limited context restarting automaton. Our model works similarly as the two-dimensional restarting tiling automaton, yet we show that it is equally powerful as the two-dimensional sgraffito automaton. We propose an algorithm for learning of such automata from positive and negative samples of pictures. The algorithm is implemented and subsequently tested with several basic picture languages. Powered by TCPDF (www.tcpdf.org)