1 [email protected][email protected]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° Edi
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. Esempio. - PowerPoint PPT Presentation
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
– 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
– 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!)
• 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:
• 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!)
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
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....
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.
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.
– Usare i dati per determinare il classificatore più appropriato. Vi sono molte procedure differenti per addrestrare classificatori e scegliere diversi modelli