Professional Documents
Culture Documents
COMPUTER VISION
ndice
Tcnicas clsicas de Reconocimiento de Patrones - Planteamiento del problema - Preprocesamiento de caractersticas - Reconocedores
1
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Aprendizaje: Planteamiento
Encontrar un modelo que predice la salida correcta a partir de salidas anteriores
x1 y
?
x2
x2
2
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
?
rea Espacio de caractersticas
yd1 . . ydm
Generalizacin de funciones de Rn Rm
3
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
?
rea Espacio de caractersticas
CVG-UPM
COMPUTER VISION
Dificultades en el aprendizaje
escasez de muestras presencia de ruido
x1
x1
?
x2 x2
5
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
p(x)
h(x)
6
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
ndice
Tcnicas clsicas de Reconocimiento de Patrones - Planteamiento del problema - Preprocesamiento de caractersticas - Reconocedores
7
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Seleccin de caractersticas
Objetivos: Mejorar los resultados del reconocimiento: disminuir las probabilidades de clasificacin errnea o del riesgo. Simplificar el reconocedor, tanto en la fase de aprendizaje como en la de ejecucin Formulacin: Dado un conjunto de caractersticas de entrada al clasificador x (dim n), encontrar una funcin y=F(x) de RnRm, tal que optimice un criterio de calidad Q(y) definido sobre y
8
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
x1 x2 u2 u1
x2
x1
x1
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
CVG-UPM
COMPUTER VISION
x1
x1
siendo =diag{1...D}; U=[u1...uD] donde i ui son los valores propios y UT los vectores propios de la matriz de C de covarianzas consigue media 0 y C=I
11
Neural Networks and Pattern Recognition
P. Campoy
CVG-UPM
COMPUTER VISION
- Distancia euclidea
d = sqrt (i (xi-mi)2) = sqrt ((x-m)T (x-m))
- Distancia de Mahalanovich
d = sqrt ((x-m)T C -1 (x-m))
siendo C = i (xi-m) (xi-m)T la matriz de covarianzas
12
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Si = j (xj-mi) (xj-mi)T
- Matriz de dispersin intra-grupos
SW = i Si
- Matriz de dispersin inter-grupos
SB = i ni (mi-m) (mi-m)T
- Matriz de dispersin total
ST = j (xj-m) (xj-m)T = SW + SB
13
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
ptimo ahorro computacional basado en el clculo del criterio para conjuntos mayores, teniendo en cuenta el decrecimiento montono de dicho criterio de calidad ejemplo: 2 mejores caractersticas de 5 B
2 3 4 1 3 2 4 3 4
Q(B)<Q(A) A
5 5
4 5
5
14
P. Campoy
CVG-UPM
COMPUTER VISION
eliminacin de caractersticas
(1 2 3 4)
(13)
(23)
(123)
(234)
15
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Anlisis de componentes principales: - Dado un conjunto de N vectores n-dimensionales xi, donde xi= j=1n aij uj = j=1m aij uj + j=m+1n aij uj hallar una base ortonormal uj tal que al seleccionar M vectores de base xi= j=1m aij uj+j=m+1n bj uj minimice E= i=1N (xi-xi)2 Solucin: uj son los vectores propios correspondientes a los mayores valores propios de la matriz de covarianzas y E= i=m+1n i x2
u2 u1 x1
16
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Ejemplo PCA
original
PCA 25
PCA 5
P. Campoy Neural Networks and Pattern Recognition
PCA 1
17
CVG-UPM
COMPUTER VISION
Ejemplo PCA
Imgenes sintticas creadas sobre el subespacio de dimensin 1
18
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
u
x1
x1
19
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Ejemplo 1
>> load datos_D2_C2.mat >> plot(p.valor(1,1:100),p.valor(2,1:100),'+'); hold all; >> plot(p.valor(1,101:300),p.valor(2,101:300),'+');
p.valor
t.valor
20
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Ejemplo 1: normalizacin
[D,N]=size(p.valor); [D,Nt]=size(t.valor); clear pn; clear meanp; clear stdp; meanp=mean(p.valor')'; stdp=std(p.valor')'; for i=1:N pn(:,i)=(p.valor(:,i)-meanp)./stdp; end for i=1:Nt tn(:,i)=(t.valor(:,i)-meanp)./stdp; end [pn,meanp,stdp,tn,meant,stdt]=prestd(p.valor,t.valor); [pn,meanp,stdp]=zscore(p.valor); pn=pn;meanp=meanp;
std=std
21
P. Campoy Neural Networks and Pattern Recognition
alternativas:
CVG-UPM
COMPUTER VISION
Ejemplo 1: PCA
[transMatc,Diag]=eig(cov(pn')); ncompca=1; for i=1:ncompca transMat(i,:)=transMatc(:,D+1-i)'; end error=Diag(1,1)/2;
alternativas:
[ptrans,transMat]=prepca(pn,0.2); [transMatc, ptransc] = princomp(pn); transMatc=transMatc;
ptrans=ptransc;
[residual,preconstructed]=pcares(pn,ncompca);
22
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Ejercicio 1.1
>> load datos_D2_C2 1. Calcular los vectores de coordenadas reducidas de los puntos de test sobre el subespacio definido por el PCA (3 puntos) 2. Calcular los vectores de dimensin completa del apartado anterior y dibujarlos junto con los puntos de test. (4 puntos) 3. Calcular el ECM cometido mediante la aproximacin PCA (3 puntos)
23
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
(1/2)
Discriminante bidimensional
m2
x1
discriminante de Fisher: J (w) = (m2-m1)2 / (s12 + s22 ) = = (wTSBw)/(wTSWw) maximizacin: w SW-1 (m2-m1) isotrpico: SW = I
-1
P. Campoy
x1
25
CVG-UPM
COMPUTER VISION
26
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
ndice
Tcnicas clsicas de Reconocimiento de Patrones - Planteamiento del problema - Preprocesamiento de caractersticas - Reconocedores
27
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
c1
c2 c3
CVG-UPM
COMPUTER VISION
Clasificadores no neuronales
Supervisados:
- Vecino ms cercano - Bayesianos (ajuste de f.d.d.)
x2
x1
c3 c1 c2
2 3
No supervisados
- Agrupamiento basado en distancias
29
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
caracterstica 1
caracterstica 2
30
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
1 c3 c1 c2
2
31
P. Campoy
CVG-UPM
COMPUTER VISION
Reconocedor Bayesiano
32
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Reconocedor Bayesiano
funciones discriminantes de menor costo
33
CVG-UPM
COMPUTER VISION
34
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Ejercicio 2.2
Dados los puntos del ejemplo anterior >> load datos_D1_C2.mat a) Calcular la clase del dato t.valor=1 de menor error en la clasificacin, suponiendo las iguales las probabilidades a priori P(clase==1)=P(clase==2) (2 puntos) b) Idem, suponiendo que las probabilidades a priori son proporcionales al numero de muestras de cada clase en los datos de entrenamiento (4 puntos) c) Calcular la clase del dato t.valor=1 de menor coste, suponiendo que la matriz de costes es: (4 puntos) C (c1/ c1) = 1.1 C (c1/ c 2) = 1.1
C (c 2 / c1) = 8
P. Campoy
C (c 2 / c 2) = 0.1
35
CVG-UPM
COMPUTER VISION
Ejercicio 2.3
a) Dados los datos del ejemplo 2.1 >> load datos_D2_C2.mat Calcular y analizar los errores de clasificacin de p.valor y tambin de t.valor, cuando se usan los datos de p.valor como datos de entrenamiento y el clasificador ms cercano (2,5 puntos) idem usando el clasificador bayesiano (2,5 puntos) Calcular y analizar los errores de clasificacin de t.valor usando los dos tipos de clasificadores mencionados (2,5 puntos) Calcular y analizar los errores de clasificacin de t.valor cuando se usa el clasificador bayesiano con los siguientes valores de probabiliades a priori: [1 0.1],[1 2] y[1 10] (2,5 puntos)
b) c) d)
37
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Clasificadores no neuronales
Supervisados:
- Vecino ms cercano - Bayesianos (ajuste de f.d.d.)
x2
x1
c3 c1 c2
2 3
No supervisados
- Agrupamiento basado en distancias
40
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Agrupamiento jerrquico
-Asignar un grupo para cada muestra y unir los dos grupos ms cercanos hasta que se obtenga el nmero de grupos deseados
41
P. Campoy Neural Networks and Pattern Recognition
CVG-UPM
COMPUTER VISION
Clasificadores no supervisados
Grupos redondeados en el espacio de caractersticas
42
P. Campoy Neural Networks and Pattern Recognition