Macchine di Percezione

Presentazione sul tema: "Macchine di Percezione"— Transcript della presentazione:

1 Macchine di Percezione
Pattern Classification 2° Edizione 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

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 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 l’insieme di tutte le features suggerite per essere usate nel nostro classificatore al fine di discriminare le due specie!

4 Le features vengono inviate ad un classificatore
Preprocessing Utilizza l’operazione di segmentazione per isolare i singoli pesci presenti nell’immagine e per isolarli dallo sfondo L’informazione 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 “Branzino” “Salmone”

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

7 Branzino Salmone

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

9 Salmone Branzino

10 Task della teoria decisionale
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 Adotta la luminosità e aggiungi la larghezza del pesce
Pesce xT = [x1, x2] Luminosità Larghezza

12 Salmone Branzino

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 Salmone Branzino

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 Salmone Branzino

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 Sistema di Pattern Recognition
Decisione Assegna il vettore delle feature estratte e selezionate ad una classe, dopo essere stato opportunamente addestrato. L’Addestramento serve a trovare l’iperpiano 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.... Post-processing Classificazione Feature Extraction Caratterizza un oggetto da riconoscere in modo tale da avere misurazioni con valori simili per oggetti nella stessa categoria. Invarianti da trasformazioni irrilevanti dell’input (scala, rotazione ecc.). Wavelet Analysis Fourier Analysis Principal Component analysis Segmentazione Sensing Input Separazione del dato di interesse dal background

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 all’uomo.

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. 1 3 2 4 x1 x2 Dominio spaziale Dominio delle caratteristiche 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.

21 SPAZIO DELLE CARATTERISTICHE
Le ipersuperfici si possono semplificare con iperpiani ed in tal caso si parla di funzioni discriminanti linearmente separabili. L’abilità 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 Disegno di un Classificatore
Collezionare i dati Scelta delle features Scelta del modello Addestramento (Training) Valutazione Complessità computazionale

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

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

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

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

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

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

30 Apprendimento e Adattamento
Supervised learning Un teacher fornisce l’etichetta della categoria o il costo per ciascun pattern nell’insieme di training (training set) Unsupervised learning Il sistema forma clusters o “raggruppamenti naturali” dei pattern di input