La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Relatore: Candidato: Prof.ssa Fiora Pirri Anna Belardinelli Università degli Studi di Roma La Sapienza Facoltà di Ingegneria Corso di Laurea in Ingegneria.

Presentazioni simili


Presentazione sul tema: "Relatore: Candidato: Prof.ssa Fiora Pirri Anna Belardinelli Università degli Studi di Roma La Sapienza Facoltà di Ingegneria Corso di Laurea in Ingegneria."— Transcript della presentazione:

1 Relatore: Candidato: Prof.ssa Fiora Pirri Anna Belardinelli Università degli Studi di Roma La Sapienza Facoltà di Ingegneria Corso di Laurea in Ingegneria Informatica

2 Apprendimento automatico Apprendimento imitativo Metodi probabilistici Scienze Cognitive Esperimento apprendimento di movimenti della testa

3 Robotica mobile Sicurezza e sorveglianza Assistenza a soggetti disabili Interfacce uomo-macchina Strumentazione per video-conferenza Informatica grafica …

4 Apprendiment o supervisionat o non supervisionat o con rinforzo Reti Neurali Alberi di decisione Maximum Likelihood Clustering Markov Decision Process Q-learning

5 Approccio innovativo mutuato dalle Scienze Cognitive (Rao, Shon, Meltzoff, 2004) Vantaggi maggior adattabilità in ambienti dinamici riduzione dei costi di programmazione per compiti specifici processo di apprendimento più efficiente e veloce

6 Metodi tradizionali Metodi probabilistici presentano limiti nellelaborazione e memorizzazione delle incertezze del mondo reale I metodi probabilistici risultano più adatti allapprendimento per imitazione in ambienti realistici, dinamici e rumorosi, caratteristica necessaria per lo sviluppo di sistemi artificiali autonomi. gestiscono meglio la natura stocastica del mondo reale Es.: filtro di Kalman, particle filtering, metodi Monte Carlo, Hidden Markov Model

7 Idea: Generare campioni x che approssimino una distribuzione obiettivo p(x) usando un meccanismo a catena di Markov. Si inizializza for i=0 to N-1

8 Elementi: N, numero degli stati (nascosti) del modello M, numero dei simboli osservabili A, matrice delle probabilità di transizione tra gli stati B, matrice delle probabilità di emissione dei simboli, distribuzione iniziale degli stati Assunzione markoviana

9 Scopo: imparare a seguire i movimenti della testa come compito base per implementare un modello di attenzione condivisa tra sistema artificiale e utente umano (Nagai, 2005). Limitazione è il risultato dellosservazione, della classificazione e della scelta del modello da riprodurre. COMPUTERUOMO ADATTAMENTOAPPRENDIMENTO OSSERVAZIONE

10 osservazione imitazione

11 Segmentazione tramite K-mean di un frame ogni 5 e selezione della testa. Calcolo della posizione del centro della testa e degli spostamenti relativi tra un frame e laltro. Da ogni video si è prodotto un vettore di coppie di elementi del tipo

12 Per generalizzare il modello osservato lapprendimento deve avvenire su sequenze di spostamenti simili alla sequenza vista 200 sequenze di campioni di spostamenti lungo lasse x e lasse y ottenute fornendo allalgoritmo di Metropolis il vettore degli spostamenti e la distribuzione Gaussiana da cui campionare

13 N= direzioni degli spostamenti discretizzate su 9 casi possibili M= spostamenti rilevati con la segmentazione, classificati in 9 combinazioni possibili A= matrice delle probabilità di transizione tra le direzioni degli spostamenti B= matrice delle emissioni dati gli stati = tutte le direzioni sono inizialmente equiprobabili

14 Tramite le formule di Baum-Welch che ristimano i parametri del modello (A e B) in modo che sia massimizzata la probabilità delle osservazioni di addestramento

15 Tramite lalgoritmo di Viterbi viene riconsiderata la sequenza iniziale di osservazioni e, in base ai nuovi parametri stimati, ricostruita la sequenza di stati che più probabilmente lha prodotta. Risultati: coincidenza tra stati ricostruiti e stati effettivi superiore ai 2/3 del totale.

16

17

18 Il sistema ha appreso ad imitare modelli di spostamenti della testa, fornendo buoni risultati di riconoscimento E opportuno applicare la capacità imitativa anche alle distanze coperte dagli spostamenti Limplementazione di una memoria associativa che operi il pattern matching aumenterà la versatilità del sistema


Scaricare ppt "Relatore: Candidato: Prof.ssa Fiora Pirri Anna Belardinelli Università degli Studi di Roma La Sapienza Facoltà di Ingegneria Corso di Laurea in Ingegneria."

Presentazioni simili


Annunci Google