Capitulo 1: Introducción al reconocimiento de patrones (Secciones )

Transcripción

1 Capitulo 1: Introducción al reconocimiento de patrones (Secciones ) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C L O D E D I S E Ñ O A D A P T A C I Ó N Y A P R E N D I Z A J E C O N C L U S I Ó N

2 Machine Perception Construir una máquina capaz de reconocer patrones: 2 Reconocimiento de frases habladas Identificación de huellas digitales Reconocimiento óptico de escritura Identificación de secuencias de ADN

3 Ejemplo o Acomodar el pescado entrante en una cinta de transporte, de acuerdo con la especie, usando sensores ópticos Especies 3 Mero (Sea Bass) Salmon

4 Análisis del Problema Montar una cámara y tomar algunas imágenes de muestra para extraer características 4 Largo Tono (color) Tamaño Numero y forma de las aletas Posición de la boca, etc Este es el conjunto de las características sugeridas para explorar en el clasificador

5 Preprocesamiento 5 o Usar segmentación para aislar los peces uno de otro y con respecto al fondo o Información de un solo pez se envía al extractor de característica cuyo propósito es reducir la información midiendo ciertas características o Las características se pasan al clasificador

6 6

7 Clasificación o Se decide el conjunto de características a usar 7 Conjunto suficiente Conjunto mínimo o Seleccionar el largo del pez como una posible característica para discriminación o Clasificación lineal, Largo(x) <I* x=salmon

8 En promedio son distintos, pero no es suficiente. 8

9 El largo es una característica muy pobre! Otras características Largo Tono (color) Tamaño Numero y forma de las aletas Posición de la boca, etc Tono de las escamas posible característica. 9 Clasificación lineal, Tono(x) <x* x=salmón

10 10

11 11 l* se calcula con muestra de entrenamiento

12 Umbral de decisión x* y Costo de clasificación 12 Mover nuestro borde de decisión hacia valores menores del Tono para minimizar el costo (reducir el numero de Meros que son clasificados como Salmones!) Teoria de la decision

13 Todavía hay algunos salmones mal clasificados. 13 Adoptar el Tono y agregar el ancho de las escamas del pez Pez x T = [x 1, x 2 ] Tono Ancho Clasificador: Decisión Lineal, x 2 < a x 1 + b, clasifica (x 1, x 2 ) en salmón

14 Clasificador lineal 14

15 Otras opciones Podríamos agregar otras características que sean no correlacionadas con las que ya tenemos. 15 Hay que tomar precauciones para no reducir el desempeño agregando características ruidosas. Idealmente, el mejor borde de decisión debería ser el que provee optimo desempeño como en la figura siguiente :

16 Clasificador óptimo 16

17 Generalización 17 Sin embargo, nuestra satisfacción es prematura porque el objetivo central es designar un clasificador que clasifique correctamente un nuevo elemento Se debe poder generalizar!

18 18

19 Objetivos del curso Lograr realizar en un grupo de datos dado distintos tipos de clasificaciones decidiendo las características a utilizar planteando las ecuaciones implementando en Matlab dichas ecuaciones generando mapas visuales de clasificación calculando tasas de error aparente y teóricas 19

20 20

21 Sistemas de reconocimiento de patrones Captacion Transducer (camera or microfono) para captar los datos Caracteristicas del transducer : ancho de banda, resolucion, sensitividad a la distorsion 21 Segmentacion y agrupamiento de muestras Patrones deberia estar separados y no solaparse Seleccion muestras de entrenamiento

22 22

23 Módulo de clasificación Extracción de características Características discriminativas Características invariantes con respecto a la traslación, rotación y escala. Clasificación 23 Regla que usa el vector de características provisto para asignar el objeto a una categoría Post Procesamiento Explotar la información de contexto del objeto para mejorar el desempeño

24 El Ciclo de Diseño 24 Recolección de datos Elección de características Elección de Modelo Entrenamiento Evaluación Reajuste complejidad computacional. errores aceptables e inaceptables

25 25

26 Recolección de Datos 26 Como sabemos cuando hemos recolectado una colección adecuada de ejemplos en tamaño representatividad, para entrenar y testear el sistema?

27 Dependen Elección de características problema de clasificación, del sistema de visión que genera los datos, del costo de obtención de los datos. 27 Deben ser simples de extraer, invariantes bajo transformaciones de la imagen inmunes o resistentes al ruido de captación de la imagen.

28 Elección de Modelo Matemático 28 Lineal Cuadrático Funcional Árbol Red neuronal Máquina de soporte vectorial etc

29 Entrenamiento 29 Usamos datos para determinar los clasificadores. Muchos procedimientos diferentes para entrenar los clasificadores y elegir los modelos

30 Evaluación 30 Medidas de desempeño bajo un modelo Tasas de error Costos Medidas de desempeño al cambiar de un grupo de características a otro

31 Complejidad computacional 31 Cual es el balance entre computación fácil y desempeño? Como escala un algoritmo en función del numero de características, patrones y categorías?

32 Adaptación y Aprendizaje Aprendizaje supervisado 32 Un oráculo provee las etiquetas de categoría y costo de cada patrón en el conjunto de entrenamiento Aprendizaje no supervisado El sistema forma grupos naturales de los patrones ingresados.

33 Clasificación y Segmentación Etiquetar toda una imagen como una clase 33 Imagen de interiores o de exteriores; Imagen de Salmon o Imagen de Mero Clasificación Dividir una imagen en regiones de diferente tipo. Diferentes tipos de tejido en una imagen medica, Diferentes ejemplares de peces en la cinta de transporte. Segmentación

34 Clasificación en Imágenes Nombres distintos porque son problemas distintos 34 Técnicas parecidas, podemos usar las mismas técnicas en ambos problemas.

35 Clasificación 35 Clase 1 Clase 2 Clase 3?

36 Segmentación 36 fondo perno

37 Problema actual 37 Anotación de características Palabras claves Clasifico una imagen como correspondiente a una bolsa de palabras

38 Estudiar el problema de clasificación de flores Iris Características al recolectar los datos Número de clases hipotéticas Estudiar cargado de datos y muestra de datos en pantalla según características elegidas. Matlab R studio Ejercicios Cargue los datos de los ejercicios computaciones del capítulo 2. 38