Rozpoznávanie obrazcov šk.r. 2016-17 Projekty Doc. RNDr. Milan Ftáčnik, CSc.

Dôležité podmienky a termíny Účasť na cvičeniach – z 13 možných minimálne 7 Začiatok práce na projekte Prezentácia výsledkov – 16.5. a 23.5. Odovzdanie a oprava záverečnej správy – do termínu skúšky Rozpoznávanie obrazcov 2016-17

Kroky v rámci projektu Príprava vhodnej databázy Použitie redukčných algoritmov Použitie klasifikačných algoritmov Vyhodnotenie Prezentácia výsledkov Odovzdanie záverečnej správy Rozpoznávanie obrazcov 2016-17

Príprava vhodnej databázy Extrahujeme časti obrazu so známou klasifikáciou Na týchto častiach obrazu aplikujeme Gaborove filtre Dostaneme 62 prvkový príznakový vektor Rozpoznávanie obrazcov 2016-17

Príprava vhodnej databázy II Jeden vhodný nástroj na popis textúry sú Gaborove filtre Je to Gaussovské jadro modulované plošnou sínusovou vlnou Kde g je Gaussovské jadro definované Rozpoznávanie obrazcov 2016-17

Gaborove filtre a komplexná sínusoida je Rozpoznávanie obrazcov 2016-17

Gaborove filtre II a Gaborov filter sa dá rozložiť na reálnu a imaginárnu zložku Rozpoznávanie obrazcov 2016-17

Parametre Gaborovho filtra Rozpoznávanie obrazcov 2016-17

Klasifikácia textúr Používajú sa množina Gaborových filtrov s rôznymi parametrami, aby sme zachytili rôzne vlastnosti textúry (škála, orientácia) Na predošlom obrázku bola zobrazená takáto množina – nazýva sa banka filtrov Rozpoznávanie obrazcov 2016-17

Aplikácia Gaborovho filtra Rozpoznávanie obrazcov 2016-17

Aplikácia Gaborovho filtra II Rozpoznávanie obrazcov 2016-17

Aplikácia Gaborovho filtra III Na obraz I(x,y) sa aplikuje reálna a imaginárna zložka GF Rozpoznávanie obrazcov 2016-17

Deskriptor homogénnych textúr Rozpoznávanie obrazcov 2016-17

Rozšírenie databázy Použijeme techniky augmentácie dát, t.j. zrkadlový obraz, posunutie, otočenie Vyskúšame zrkadlový obraz a posunutie Otočenie neprinesie novú informáciu, vzhľadom na banku G filtrov Rozpoznávanie obrazcov 2016-17

Redukcia počtu príznakov Nie všetky príznaky sú rovnako infor-matívne a rovnako diskriminatívne Treba použiť algoritmy na redukciu počtu príznakov, v takej miere aby sme čo najviac zachovali ich infor-matívnu hodnotu a ich príspevok k rozpoznaniu triedy Rozpoznávanie obrazcov 2016-17

Redukčné algoritmy Bez supervízie (minimalizujú informačnú stratu): Independent Component Analysis (ICA) Principal Component Analysis (PCA) Latent Semantic Indexing (LSI) ... Rozpoznávanie obrazcov 2016-17

Redukčné algoritmy II So supervíziou (maximalizujú odde-lenie tried v príznakovom priestore): Linear Discriminant Analysis (LDA) Canonical Correlation Analysis (CCA) Partial Least Squares (PSL) ... Rozpoznávanie obrazcov 2016-17

Klasifikačné algoritmy Zaraďujú neznáme objekty do tried na základe hodnoty cieľovej premennej Pre každý objekt máme množinu premenných (príznakov) a jedna z nich je cieľová Hľadáme model, ktorý opisuje cieľovú premennú ako funkciu príznakov Rozpoznávanie obrazcov 2016-17

Klasifikačné algoritmy II Na nastavenie parametrov klasifikáto-ra sa používa trénovacia množina Na otestovanie fungovania klasifikáto-ra sa používa testovacia množina Trénovaciu a testovaciu množinu zí-skame vhodným rozdelením databázy Rozpoznávanie obrazcov 2016-17

Klasifikačné algoritmy III K-means K najbližších susedov Rozhodovacie stromy Bayesovský klasifikátor Lineárny klasifikátor SVM/Nelineárny SVM Neurónové siete – ANN, SOM HMM Rozpoznávanie obrazcov 2016-17

Vyhodnotenie výsledkov ROC krivka (reciever operating characteristic) Vzťah citlivosti a miery nesprávnej pozitivity Vhodná pri binárnych klasifikátoroch, ktoré klasifikujú porovnaním s nejakým prahom Rozpoznávanie obrazcov 2016-17

Vyhodnotenie výsledkov II Pomocou matice zámen To je kontingenčná tabuľka, do ktorej zapisujeme počty vzoriek klasifikova-né do jednotlivých tried Skutočnosť/Rozhodnutie Negatívne Pozitívne a b c d Rozpoznávanie obrazcov 2016-17

Príklad matice zámen Rozpoznávanie obrazcov 2016-17

Povinné časti projektu Redukcia príznakov: Povinné: PCA 1 a viac ďalších algoritmov Klasifikácia: Povinné: Lineárny klasifikátor, ANN 1 a viac ďalších klasifikátorov Vyhodnotenie: Matica zámen/ROC + percentá Rozpoznávanie obrazcov 2016-17

Záverečná správa Maximálne 10 strán A4 s povinnými časťami: Databáza: ukážka a popis (príznaky) Redukčné algoritmy: Zdôvodnenie výberu Porovnanie výsledkov na databáze Rozpoznávanie obrazcov 2016-17

Záverečná správa II Klasifikačné algoritmy: Zdôvodnenie výberu Porovnanie výsledkov na databáze Vyhodnotenie výsledkov: Porovnanie výsledkov klasifikácie pri rôz-nych redukčných algoritmoch aj bez nich Zhodnotenie výsledkov klasifikácie Rozpoznávanie obrazcov 2016-17