Professional Documents
Culture Documents
25 de fevereiro de 2008
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
1 / 28
Outline
1 2 3
Aplicaes da Anlise de Padres Exemplo de problema de classicao automtica Reconhecimento de padres Preprocessamento Extrao de feies Classicao Questes sobre a classicao e ps-processamento Cdigo-exemplo Tarefa Leituras Complementares
4 5 6
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
2 / 28
Aplicaes tpicas de percepo por mquina reconhecimento de fala identicao de impresso digital reconhecimento ptico de caracteres identicao de seqncias de DNA avaliao de risco de crdito busca de imagens semelhantes num base de dados categorizao automtica de documentos "minerao de dados"de forma geral
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
3 / 28
Uma fbrica de empacotamento de peixes deve selecionar automaticamente os peixes como "salmo"ou "corbina"(sea bass)
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
4 / 28
Decidiu-se por utilizar uma cmera e medir diferenas fsicas entre os tipos de peixe. Alguns atributos: comprimento brilho largura nmero de barbatanas posio da boca ...
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
5 / 28
As classes "Salmo"e "Corbina"so descritas por modelos criados a partir das observaes que zemos. Esses modelos so descries matemticas. O reconhecimento de padres consiste em criar uma hiptese de qual modelo mais adequado para um padro observado.
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
6 / 28
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
7 / 28
Preprocessamento
Remoo de rudo (exemplo: ltragem da imagem) Segmentao (exemplo: limiarizao da imagem para remover o fundo) Normalizao (exemplo: ajustar automaticamente o nvel da luz para aferir o brilho)
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
8 / 28
Extrao de feies
Medindo algumas feies de um conjunto de amostras para treinamento: Comprimento (maior extenso do segmento da imagem do peixe) Largura (extenso na direo ortogonal do comprimento) Brilho (intensidade mdia da imagem do peixe) Estudar o valor dessas feies Histograma do comprimento das amostras de peixe para cada classe
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
9 / 28
Histograma do comprimento
university-logo
10 / 28
Histograma do comprimento
university-logo
10 / 28
Histograma do brilho
university-logo
11 / 28
Histograma do brilho
university-logo
11 / 28
Pode-se utilizar uma tupla com vrias medidas de feies para caracterizar um padro. Esse vetor pode ser chamado vetor de atributos. x1 x2 x= . . . xl
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
12 / 28
Como eu posso denir um mecanismo para classicar peixes dadas university-logo medidas desses dois atributos?
C. H. Q. Forster (ITA) CC-226 25 de fevereiro de 2008 13 / 28
Como eu posso denir um mecanismo para classicar peixes dadas university-logo medidas desses dois atributos?
C. H. Q. Forster (ITA) CC-226 25 de fevereiro de 2008 13 / 28
Classicador linear
university-logo
14 / 28
Classicador linear
university-logo
14 / 28
Classicao
A equao da superfcie de separao no caso bidimensional: w1 x1 + w2 x2 + w3 = 0 Na forma matricial (utilizando multiplicao de matrizes): x1 w1 w2 w3 x2 = 0 1 ou simplesmente, (produto interno de vetores) wT x = 0
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
15 / 28
Classicao
A equao da superfcie de separao no caso bidimensional: w1 x1 + w2 x2 + w3 = 0 Na forma matricial (utilizando multiplicao de matrizes): x1 w1 w2 w3 x2 = 0 1 ou simplesmente, (produto interno de vetores) wT x = 0
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
15 / 28
Classicao
A equao da superfcie de separao no caso bidimensional: w1 x1 + w2 x2 + w3 = 0 Na forma matricial (utilizando multiplicao de matrizes): x1 w1 w2 w3 x2 = 0 1 ou simplesmente, (produto interno de vetores) wT x = 0
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
15 / 28
Regra de Deciso
Decido que pertence a uma das classes se wT x < 0 ou que pertence outra classe se wT x > 0 Dado um conjunto de N vetores xj para treinamento, encontramos o vetor de parmetros w que dene a regra de deciso do classicador.
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
16 / 28
Classicao
Questes adicionais O que eu fao se a corbina for muito mais cara que o salmo? O que eu fao com atributos correlatos (e redundantes) como largura e comprimento? De forma geral, como sei se um novo atributo bom ou no dados os outros atributos que j tenho? Quantos atributos devo utilizar? E se utilizar muitos? Como devo treinar e avaliar o classicador?
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
17 / 28
Generalizao
Qual classicador melhor? Este?
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
18 / 28
Generalizao
Ou este?
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
19 / 28
Classicador timo
Esse classicador pondera simplicidade do classicador (princpio da parcimnia, Occams Razor) e taxa de acerto no conjunto de treinamento.
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
20 / 28
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
21 / 28
%% "leitura" dos dados %% no caso so dados artificiais %% obtidos de distribuicoes normais randn(seed,0); corb_len=(randn(100,1)*10+18); salmon_len=(randn(100,1)*13+15); corb_len=corb_len-min(corb_len)+2; salmon_len=salmon_len-min(salmon_len)+2; corb_lig=(randn(100,1)); salmon_lig=(randn(100,1)); corb_lig=corb_lig-min(corb_lig)+4; salmon_lig=salmon_lig-min(salmon_lig);
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
22 / 28
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
23 / 28
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
24 / 28
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
25 / 28
figure; %% classificador linear plot(corb_len,corb_lig,bo, salmon_len,salmon_lig,r.); hold; xlabel(length); ylabel(lightness); legend(corbina,salmon); a=[corb_len,corb_lig,ones(100,1); salmon_len,salmon_lig,ones(100,1)]; b=[ones(100,1);-ones(100,1)]; x=pinv(a)*b; plot([0, 75], [-x(3)/x(2), -x(3)/x(2)-x(1)*75/x(2)], g-);
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
26 / 28
EX001
Entender o cdigo dos slides anteriores e explicar como foi encontrada a reta de deciso (ou separao) para o modelo das classes.
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
27 / 28
Leituras Complementares
Duda, Hart e Stork. Primeiro captulo. Jain et al., Statistical Pattern Recognition: A Review
university-logo
C. H. Q. Forster (ITA)
CC-226
25 de fevereiro de 2008
28 / 28