Rozpoznvanie obrazcov a spracovanie obrazu Rozpoznvanie obrazcov Doc
Rozpoznávanie obrazcov a spracovanie obrazu Rozpoznávanie obrazcov Doc. RNDr. Milan Ftáčnik, CSc.
Rozpoznávanie obrazcov �Používa sa na klasifikáciu oblastí alebo objektov a tvorí súčasť zložitejších systémov počítačového videnia �Príklad – máme príznakový vektor (výška, váha) a do x= klasifikujeme dvoch tried Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 2
Rozpoznávanie obrazcov II �Objekt je fyzická jednotka, obvykle reprezentovaná oblasťou v obraze �Objekt popisujeme formálnym popisom, ktorý sa nazýva obrazec (angl. pattern) �Obrazcom môže byť príznakový vektor, vyjadrujúci kvantitatívny popis oblasti alebo slovo z primitív a relácií medzi nimi vyjadrujúce štrukturálny (kvalitatívny) popis Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 3
Rozpoznávanie obrazcov III �Množinu všetkých objektov možno rozdeliť na podmnožiny s podobnými príznakmi, ktoré sa nazývajú triedy �Rozpoznanie objektu znamená priradenie triedy k neznámemu objektu a zariadenie, ktoré priraďuje (klasifikuje), sa nazýva klasifikátor �Počet tried sa vie dopredu alebo sa dá odvodiť z problému zhlukovou analýzou Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 4
Rozpoznávanie obrazcov IV �Klasifikátor nerozhoduje o rozpoznaní objektu priamo, ale na základe formálneho popisu vlastností objektu = obrazec �Preto hovoríme o rozpoznávaní obrazcov (angl. Pattern recognition) Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 5
Štatistické rozpoznávanie obrazcov �Aké príznaky by ste použili na klasifikáciu nasledovných objektov? Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 6
Štatistické rozpoznávanie obrazcov �Aké príznaky by ste použili na klasifikáciu nasledovných objektov? Príznakový vektor x = (veľkosť, kompaktnosť) Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 7
Štatistické rozpoznávanie obrazcov II �Triedy obrazcov vytvárajú v príznakovom priestore zhluky, ktoré sa dajú oddeliť diskriminačnými (oddeľujúcimi) hyperkrivkami (nadplochami) Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 8
Štatistické rozpoznávanie obrazcov III �Separovateľné triedy – objekty z rôznych tried sa dajú oddeliť nadplochami �Lineárne separovateľné triedy – dajú sa oddeliť nadrovinami �Neseparovateľné triedy – triedy sú premiešané, neznámy objekt môže patriť do viacerých tried, čiže klasifikátor pri klasifikácii urobí chybu - taká je väčšina reálnych problémov Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 9
Lineárne separovateľné triedy Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 10
Separovateľné triedy Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 11
Neseparovateľné triedy Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 12
Štatistické rozpoznávanie obrazcov IV � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 13
Diskriminačné funkcie � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 14
Diskriminačné funkcie II � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 15
Lineárne diskriminačné funkcie � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 16
Lineárne diskriminačné funkcie II �Pre dve lineárne separovateľné triedy učením získame po konečnom počte krokov skaláry diskriminačných funkcií na bezchybnú klasifikáciu (existenčný dôkaz) �Pre dve triedy stačí jedna funkcia a zisťujeme len to, či je väčšia alebo menšia ako nula �Počiatočné hodnoty skalárov nastavíme náhodným spôsobom Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 17
Lineárne diskriminačné funkcie III � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 18
Výsledné nadroviny môžu byť rôzne Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 19
Pravidlo minimálnej vzdialenosti � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 20
Pravidlo minimálnej vzdialenosti II �Oddeľujúca nadrovina lineárneho klasifikátora sa určí tak, že polí spojnicu dvoch etalónov Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 21
Nelineárny separovateľný prípad � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 22
Neseparovateľný prípad � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 23
Neseparabilný prípad II � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 24
Neseparabilný prípad III � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 25
Bayesova formula � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 26
Bayesova formula II �Keďže rozhodujeme na základe najväčšej aposteriórnej pravdepodobnosti, tak pravdepodobnosť chybnej klasifikácie je najmenšia Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 27
Učenie Bayesovského klasifikátora � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 28
Porovnanie Bayesovského klasifikátora Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 29
Syntaktické rozpoznávanie �Syntaktický popis používame vtedy, ak ide o popis časových priebehov, postupnosť segmentov hranice apod. , vtedy reláciou medzi primitívami je zreťazenie, čím sa vyjadrí štruktúra oblasti (objektu) �Množina všetkých primitív sa nazýva abeceda. �Množina všetkých slov vytvorených z abecedy pre objekty z jednej triedy sa nazýva popisný jazyk 30 Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019
Syntaktické rozpoznávanie II � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 31
Syntaktické rozpoznávanie III � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 32
Syntaktické rozpoznávanie IV �Vytvorenie gramatiky v kroku 2 vyžaduje silnú ľudskú interakciu, to je vlastne fáza učenia v syntaktickom rozpoznávaní �Predkladáme pri učení pozitívne aj negatívne príklady slov a snažíme sa súčasne obmedziť generatívnu silu gramatiky �V kroku 4 používame syntaktickú analýzu známu z informatiky Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 33
Štatistické vs. neurálne vs. štrukturálne Rozpoznávanie obrazcov 2018 -19 34
Neurónové siete � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 35
Neurónové siete II �Pri učení siete korigujú váhy – v prípade nesprávnej klasifikácie Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 36
Neurónové siete III �Jednoduché siete s malým počtom skrytých vrstiev majú zásadné obmedzenia (napr. nedokážu rozpoznať súvislosť objektu) �Preto sa dlho zdalo, že nie sú cestou na rozvoj metód rozpoznávania �Neurónové siete s veľkým počtom skrytých vrstiev (deep learning) dokážu riešiť úlohy klasifikáci aj rozpoznávať objekty lepšie ako ľudia Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 37
Porovnávanie so vzorom (matching) �Uviedli sme ho ako segmentačnú techniku, ale dá sa použiť aj na rozpoznávanie (napr. písmen, číslic, známych vzorov) �Používa sa buď korelácia – v zmysle ako pri segmentácii �Alebo sa použije metóda minimálnej vzdialenosti, kde známe vzory považujeme za etalóny Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 38
Príklad �Nech sa použije klasifikátor podľa minimálnej vzdialenosti na rozpoznávanie dvojrozmerných príznakových vektorov z troch tried K 1, K 2 a K 3. �Trénovacia množina pozostáva z piatich vektorov z každej triedy. �Uveďte postup a načrtnite oddeľujúce nadroviny pre dvojrozmerný príznakový priestor. Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 39
- Slides: 39