La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

1 Macchine di Percezione Costruire una macchina in grado di riconoscere pattern: –Riconoscimento vocale –Identificazione delle.

Presentazioni simili


Presentazione sul tema: "1 Macchine di Percezione Costruire una macchina in grado di riconoscere pattern: –Riconoscimento vocale –Identificazione delle."— Transcript della presentazione:

1 1 Macchine di Percezione Costruire una macchina in grado di riconoscere pattern: –Riconoscimento vocale –Identificazione delle impronte digitali –OCR (Optical Character Recognition) –DNA identificazione delle sequenze Pattern Classification 2° Edizione

2 2 Esempio Ordinamento di specie di pesci mediante un sistema di visione che acquisisce immagini di oggeti che scorrono su un nastro trasportatore Branzino Specie Salmone

3 3 Analisi del problema –Configura una telecamera ed ottieni qualche immagine campione per estrarre caratteristiche degli oggetti (features) Lunghezza Luminosità Larghezza Numero e forma delle pinne Posizione della bocca, ecc… Questo è linsieme di tutte le features suggerite per essere usate nel nostro classificatore al fine di discriminare le due specie!

4 4 Preprocessing –Utilizza loperazione di segmentazione per isolare i singoli pesci presenti nellimmagine e per isolarli dallo sfondo Linformazione del singolo pesce viene inviata ad un estrattore di feature il cui proposito è quello di ridurre la dimensione dei dati, misurando lunghezza, larghezza luminosità ecc. Le features vengono inviate ad un classificatore

5 5 BranzinoSalmone

6 6 Classificazione –Seleziona la lunghezza del pesce come possibile feature (caratteristica) per la discriminazione.

7 7 Salmone Branzino

8 8 La sola lunghezza è una debole feature! Seleziona la luminosità come possibile feature.

9 9 Salmone Branzino

10 10 Soglia decisionale e relazione costo –Muovere il nostro intorno decisionale verso valori più piccoli di luminosità in modo da minimizzare una funzione costo (ridurre il numero di branzini che vengono classificati come salmone!) Task della teoria decisionale

11 11 Adotta la luminosità e aggiungi la larghezza del pesce Pesce x T = [x 1, x 2 ] Larghezza Luminosità

12 12 SalmoneBranzino

13 13 Possiamo aggiungere altre feature non correlate con quelle che abbiamo selezionato. Una precauzione va presa nel non ridurre le performance del sistema aggiungendo feature rumorose Idealmente, il migliore intervallo di decisione sarebbe quello che fornisce performance ottimali come nella figura seguente:

14 14 Salmone Branzino

15 15 Tuttavia, la nostra soddisfazione è ancora prematura poiché lo scopo principale nel disegnare un classificatore è quello di classificare correttamente pattern nuovi (mai visti prima!) Generalizzazione!

16 16 Salmone Branzino

17 17 Sistema di Pattern Recognition Sensing –Utilizzo di un trasduttore (telecamera, sensori di gas microfono ecc.) –I sistemi di PR dipendono dalla larghezza di banda, dalla risoluzione, sensitività, distorsione ecc del trasduttore Segmentazione e raggruppamento –I Pattern dovrebbero essere ben separati e non sovrapposti

18 18 Sistema di Pattern Recognition Sensing Input Segmentazione Feature Extraction Classificazione Post-processing Separazione del dato di interesse dal background Caratterizza un oggetto da riconoscere in modo tale da avere misurazioni con valori simili per oggetti nella stessa categoria. Invarianti da trasformazioni irrilevanti dellinput (scala, rotazione ecc.). Wavelet Analysis Fourier Analysis Principal Component analysis Assegna il vettore delle feature estratte e selezionate ad una classe, dopo essere stato opportunamente addestrato. LAddestramento serve a trovare liperpiano di separazione tra le classi di appartenenza delle features. Attenua i problemi derivanti dal rumore dei sensori. Tecniche statistiche: Bayes, Linear discriminant analysis… Tecniche neurali: SOM, ART, Backprop., Radial Basis Functions… Soft-Computing: Neuro-Fuzzy classifier.... Decisione

19 19 Estrazione delle Features Obbiettivo: estrarre componenti significative (o attributi), meno ridondanti di quelle contenute nel segnale originario (es. colore, forme, tessitura ecc.). Scopo: Riduzione dello spazio dei segnali in modo da contenere sufficiente informazione per discriminare le sotto-popolazioni in questione. Rimozione di informazione ridondante e rumorosa (features fortemente correlate). Devono essere significative alluomo.

20 20 SPAZIO DELLE CARATTERISTICHE Nello spazio delle caratteristiche si possono accumulare diverse classi (corrispondenti a tipologie diverse di oggetti) che potranno essere separate mediante opportune funzioni discriminanti. Tali funzioni discriminanti, rappresentano nello spazio delle caratteristiche a n- dimensioni, le ipersuperfici di separazione dei cluster, che caratterizzano in modo dominante il processo di classificazione x1x1 x2x Dominio spazialeDominio delle caratteristiche

21 21 SPAZIO DELLE CARATTERISTICHE Le ipersuperfici si possono semplificare con iperpiani ed in tal caso si parla di funzioni discriminanti linearmente separabili. Labilità del processo di classificazione si basa sulla capacità di separare senza errori i vari cluster, che in diverse applicazioni sono localizzati molto vicini tra loro, oppure risultano sovrapposti generando una non corretta classificazione.

22 22 Disegno di un Classificatore Collezionare i dati Scelta delle features Scelta del modello Addestramento (Training) Valutazione Complessità computazionale

23 23 Collezionare dati Start Scelta delle features Scelta del modello Addestramento Del classificatore Valutazione del classificatore Fine Conoscenza a priori (invarianze)

24 24 Collezionare Dati –Come facciamo a sapere quando abbiamo collezionato un adeguato e rappresentativo insieme di esempi di training e testing per il nostro sistema?

25 25 Scelta delle feature –Dipende dalle caratteristiche del dominio del problema. Semplici da estrarre, invarianti a trasformazioni irrilevanti e insensibili al rumore.

26 26 Scelta del modello –Se non siamo soddisfatti delle performance del nostro classificatore di pesci possiamo scegliere di saltare ad unaltra classe di modello.

27 27 Training –Usare i dati per determinare il classificatore più appropriato. Vi sono molte procedure differenti per addrestrare classificatori e scegliere diversi modelli

28 28 Valutazione –Misura lerrore (o le performance) e si può scegliere di passare da un insieme di feature ad un altro.

29 29 Complessità computazionale –Qualé il trade-off tra facilità di calcolo e performance? –(Quanto un algoritmo è scalabile in base al numero di features, pattern o categorie?)

30 30 Apprendimento e Adattamento Supervised learning –Un teacher fornisce letichetta della categoria o il costo per ciascun pattern nellinsieme di training (training set) Unsupervised learning –Il sistema forma clusters o raggruppamenti naturali dei pattern di input


Scaricare ppt "1 Macchine di Percezione Costruire una macchina in grado di riconoscere pattern: –Riconoscimento vocale –Identificazione delle."

Presentazioni simili


Annunci Google