Professional Documents
Culture Documents
10 de octubre de 2011
Visin de Mquina
Introduccin.
Reconocimiento de patrones.
El reconocimiento de patrones es la ciencia de extraer informacin relacionada con objetos fsicos o abstractos, que permita establecer propiedades (patrones) entre conjuntos de dichos objetos. Los patrones se obtienen a partir de los procesos de segmentacin, extraccin de caractersticas y descripcin dnde cada objeto queda representado por una coleccin de descriptores. El sistema de reconocimiento debe asignar a cada objeto su categora o clase (conjunto de entidades que comparten alguna caracterstica que las diferencia del resto).
Prof. Flavio Prieto Visin de Mquina 2
Introduccin.
Reconocimiento de patrones.
Para poder reconocer los patrones se siguen los siguientes procesos: 1. Adquisicin de datos. 2. Extraccin de caractersticas. 3. Toma de decisiones.
Visin de Mquina
Introduccin.
Reconocimiento de patrones.
El punto esencial del reconocimiento de patrones es la clasicacin: se quiere clasicar una seal dependiendo de sus caractersticas. Seales, caractersticas y clases pueden ser de cualquiera forma, por ejemplo se puede clasicar imgenes digitales de letras en las clases A a Z dependiendo de sus pxeles o se puede clasicar ruidos de cantos de los pjaros en clases de rdenes aviares dependiendo de las frecuencias.
Visin de Mquina
Introduccin.
Visin de Mquina
Introduccin.
Extraccin de caractersticas.
Es el proceso de generar caractersticas que puedan ser usadas en el proceso de clasicacin de los datos. Las caractersticas elementales estn explcitamente presentes en los datos adquiridos y pueden ser pasados directamente a la etapa de clasicacin. Las caractersticas de alto orden son derivadas de las elementales y son generadas por manipulaciones o transformaciones en los datos.
Visin de Mquina
Introduccin.
Clasicacin.
La clasicacin trata de asignar las diferentes partes del vector de caractersticas a grupos o clases, basndose en las caractersticas extradas. En esta etapa se usa lo que se conoce como aprendizaje automtico, cuyo objetivo es desarrollar tcnicas que permitan a las computadoras aprender. Utiliza habitualmente uno de los siguientes procedimientos:
Geomtrico (Clustering): En ste enfoque se emplea el clculo de distancias, geometra de formas, vectores numricos, puntos de atraccin, etc. Estadstico: Se basa en la teora de la probabilidad y la estadstica, utiliza anlisis de varianzas, covarianzas, dispersin, distribucin, etc.
Prof. Flavio Prieto Visin de Mquina 7
Introduccin.
Segn tengamos o no de un conjunto previo que permita al sistema aprender, la clasicacin puede ser supervisada o no supervisada.
Clasicacin supervisada.
Tambin es conocida como clasicacin con aprendizaje. Se basa en la disponibilidad de vectores de entrenamiento. Se trata de vectores de los que se conoce a priori la clase a la que pertenecen y que servirn para generar una signatura espectral caracterstica de cada una de las clases.
Visin de Mquina
Introduccin.
Clasicacin supervisada.
Algunos mtodos de la clasicacin supervisada: Funciones discriminantes: si son dos clases, se busca obtener una funcin g tal que para un nuevo objeto O , si g (O ) 0 se asigna a la clase 1 y en otro caso a la 2. Si son mltiples clases se busca un conjunto de funciones gi y el nuevo objeto se ubica en la clase donde la funcin tome el mayor valor. Vecino ms cercano: un nuevo objeto se ubica en la clase donde est el objeto de la muestra original que ms se le parece. Redes neuronales articiales: se supone que imitan a las redes neuronales reales en el desarrollo de tareas de aprendizaje.
Prof. Flavio Prieto Visin de Mquina 9
Introduccin.
Clasicacin supervisada.
Visin de Mquina
10
Introduccin.
Clasicacin no supervisada.
Tambin conocida como clasicacin sin aprendizaje. Se utilizan algoritmos de clasicacin automtica multivariante en los que los individuos ms prximos se van agrupando formando clases. Restringida: el nmero de clases en la que se estructurar la muestra est previamente denido. Libre: el nmero de clases en la que se estructurar la muestra depende exclusivamente de los datos.
Visin de Mquina
11
Introduccin.
Algunos mtodos de la clasicacin no supervisada.
Simple Link y Complete Link: parten de grupos unitarios de objetos y van uniendo los grupos ms parecidos en cada etapa, hasta cumplir alguna condicin. ISODATA: se van formando grupos que se ajustan iterativamente usando teora de probabilidades. En alguna versiones se puede hacer la unin o divisin de algn grupo. C-means: se dene un grupo de semillas, se asocia cada objeto al grupo de la semilla ms parecida, se toman los centroides de cada grupo como nuevas semillas y se itera hasta que se estabilice.
Visin de Mquina
12
Introduccin.
Clasicacin no supervisada.
Visin de Mquina
13
Es un clasicador probabilstico basado en el teorema de Bayes y algunas hiptesis simplicadoras adicionales. Es a causa de estas simplicaciones, que se suelen resumir en la hiptesis de independencia entre las variables predictoras, que recibe el apelativo de ingenuo. P (wi /x ) = p(x /wi )P (wi ) , p (x )
Visin de Mquina
14
= N (, ).
E [x ] =
xp(x )dx
Visin de Mquina
15
Visin de Mquina
16
Visin de Mquina
17
oat Dato[] = {70,60}; CvMat* Dato_A_Clasicar = cvCreateMat(1, NC, CV_32FC1 ); CvMat* Resultado = cvCreateMat(1, 1, CV_32SC1 ); cvInitMatHeader(Dato_A_Clasicar, 1, NC, CV_32FC1, Dato); Clasicacin de datos nuevos: CBayes -> predict(Dato_A_Clasicar, Resultado); printf(Clase: %d, Resultado->data.i[0]);
Visin de Mquina
18
Dado un patrn cualquiera X , si consideramos los k prototipos ms prximos a X , stos estarn localizados en un crculo centrado en X . En la gura se resaltan los 7 vecinos ms cercanos a tres patrones.
Prof. Flavio Prieto Visin de Mquina 19
Visin de Mquina
20
Visin de Mquina
21
Visin de Mquina
23
K-medias.
Suponga que tenemos n caractersticas en vectores x1 , x2 , ..., xn , donde cada x , est representado en un espacio m dimensional y sabemos que estn agrupados en k clases (k < n). Denimos mj como la media del j -simo clase. Si los cmulos estn bien separados, podemos usar una mnima distancia de clasicacin para separarlos. Esto es, podemos decir que xi esta en el j -simo clase si ||xi mj || es el mnimo con respecto a los k cmulos.
Visin de Mquina
24
b(i , j )xi mj =
i =1 n
. b (i , j )
i =1
Visin de Mquina
25
Visin de Mquina
27
TAREA.
Implementar, como una funcin de OpenCV, uno de los siguientes algoritmos de clasicacin no supervisados:
Distancias encadenadas. Max-min. ISODATA.
Estudiar, evaluar y discutir el desempeo de los clasicadores vistos en el taller, cuando son aplicadas a un conjunto de vectores caractersticas como el del proyecto que est desarrollando para el curso.
Visin de Mquina
29