Documente Academic
Documente Profesional
Documente Cultură
RECONOCIMIENTO DE
PATRONES
Objetivos generales
Brindar un marco terico para el anlisis y resolucin de
problemas de reconocimiento, clasificacin e identificacin de
patrones, en forma automtica.
Objetivos especficos
Identificar los principales componentes de un Sistema de
Reconocimiento de Patrones
Estudio de algoritmos asociados a las distintas etapas y modelos de
un SRP
Herramientas de evaluacin de desempeo
Anlisis de casos prcticos
Estrategia
Presentar un diagrama de bloques completo de un SRP
Presentar distintos algoritmos que resuelven los bloques.
Analizar mtodos de evaluacin
Analizar estrategias de fusin y combinacin de clasificadores.
Materiales y mtodos
Guas de clase
Bibliografa
Software de simulacin (Matlab, Weka)
Bibliografa
Pattern Classification (2nd. Edition) Duda, Hart Stork John
Wiley & Son 0471056693-2001
Pattern Classification. A unified view of statistical and neural approaches. Jrgen Schrmann.
John Wiley & Son. 1996
Pattern Recognition: A Statistical Approach Devijver y KittlerPrentice-Hall - 1982
Combining Pattern Classifiers Methods and AlgorithmsLudmila I Kuncheva 047121078 2004
Pattern Recognition and Machine Learning C. M Bishop, 2006
Anil Jain-Statistical Pattern Recognition: A Review - 2000
Notas del Curso de Reconocimiento de Patrones y Anlisis de
Imgenes de Francisco Cortijo. Decsai UGR
1Introduccin
Percepcin
Percepcin
Percepcin
Percepcin vs SRP
Por qu los humanos son tan buenos reconociendo patrones?
Dra. Nouchine Hadjkhani de la Universidad de Hardvard: Los humanos llegan a este mundo con los cables preconectados para
detectar caras. Un buen sistema de RP proporciona una ventaja competitiva a la hora de la supervivencia (discriminar amigo/enemigo) y
reproduccin.
Que es el reconocimiento de
patrones?
El estudio de cmo las mquinas pueden observando el
ambiente aprender a distinguir patrones de inters de un fondo y realizar decisiones razonables
sobre las categoras de los mismos. Anil Jain.
El acto de tomar datos crudos y hacer una accin basados en la categora de los
patrones. Duda et al.
Encontrar regla de decisin automtica que transforma medidas en asignaciones a
clases.
Dar nombres a los objetos basados en observaciones.
Percepcin
Percepcin vs SRP
Econmicos y autnomos.
Aplicaciones Interesantes
Anlisis de un ejemplo
de
SRP
clasificarlos
identificarlos
Sistema Biomtrico
Huellas dactilares
ADN
Iris
Forma y tamao de la mano
Escritura
Rasgos faciales
Forma de caminar
Adquisicin- Sensado
Toma de la huella
Sensores capacitivos
Poder de discriminacin
Invasiva vs no invasiva
Colaborativa vs no colaborativa
Problemas de adquisicin
Ejemplos
Dominio
Aplicacin
Patrn
Entrada
Clases
Data mining
Bsqueda
patrones
signifcativos
Puntos espacio
multidimensional
Clusters compactos
y bien separados
Clasifcacin de
documentos
Bsqueda en
Internet
Texto
Categoras
(dep.,negocios)
Biomtrica
Identificacin de
personas
Usuarios
autorizados
Sensado remoto
Pronstico de
cosechas
Imgenes
multiespectrales
Categoras de
tierras.
Reconocimiento
de voz
Acceso a
informacin sin
operador
Seal de voz
Palabras habladas
Identifcacin de los
conceptos y
componentes bsicos de
un SRP
Objetivo de SRP
Asignar un objeto o fenmeno fsico (patrn, en general)
a una clase o categora.
Conceptos
Generales
En el R.P. no se
descripcin.
Conceptos
Generales
Modelo: representacin de un patrn.
Caractersticas
(features)
Los objetos se describen por caractersticas :
Cuantitativas:
Cualitativas
Clases y
Etiquetas
Asumiremos:
CLASIFICACION DE
x: vector de caractersticas: coleccin de observaciones.
PATRONES
Modelos perceptuales:
adquisicin de datos sensoriales/preproceso
extraccin de caractersticas
toma de decisiones
Diseo de
Inferencia del modelo a partir de un conjunto de
SRP
datos de entrenamiento
1.
2.
3.
SRP
Estadstico
Senso
r Funcin del sensor: Medicin, dar representacin de
Preproce
so
Modificar la representacin inicial para poder
resaltar las caractersticas relevantes: Filtraje,
Realce, Cambio de espacio, etc.
No
Aprendizaj
e
Tipos de aprendizaje:
Recopilar conocimiento (deductivo) humano sobre el problema.
(Sistemas expertos).
Adquirir (inductivamente) el conocimiento a partir de ejemplos
especficos. Ej. Inferencia gramatical, estimacin de parmetros.
Aprendiza
je El aprendizaje se puede realizar en una fase previa al
reconocimiento (diseo del clasificador) o continuar
durante el proceso de reconocimiento (Aprendizaje
continuo).
Un objetivo del Aprendizaje puede ser la determinacin del
conjunto de descriptores ptimo. Este proceso se llama
seleccin de caractersticas.
Dimensionalidad de los
datos
El desempeo de un clasificador depende de la relacin entre
el nmero de muestras, el nmero de caractersticas y la
complejidad del clasificador.
Dimensionalidad de los
Para mejorar el rendimiento del sistema la otra alternativa es
datos
aumentar la complejidad del clasificador
Maldicin de la
dimensionalidad
Reduccin de la
Dimensionalidad
Razones para mantener la dimensionalidad tan baja como sea posible:
Costo de medida
Precisin de la clasificacin
Seleccin de
Caractersticas
Tiene por objeto seleccionar las caractersticas
(sensadas o
transformadas en el proceso de extraccin) con mayor poder de
discriminacin.
Propiedades
Comentarios
Bsqueda exhaustiva
Mejores caractersticas
individuales
Computacionalmente simple
pero no garantiza un
subconjunto ptimo
Mtodo
Propiedades
Comentarios
Anlisis de componentes
principales (PCA)
Anlisis de Discriminante
Lineales
Anlisis de Componentes
Independientes (ICA)
PCA no lineal
Criterio no Gaussiano,
usualmente iterativo
No lineales, iterativos
Clasifcad
or Objetivo: dividir
Clasifcad
or
Asigna los objetos percibidos (a los que no se le
conoce la clase de pertenencia) a la clase adecuada.
i = 1, ..., c
Funciones
Discriminantes
Regin de
Decisin
Enfoque
estadstico
Enfoque
estadstico
Costo de
decisin
Clasifcaci
n
Reconstruccin de leyes de
probabilidad
Reconocimiento de Patrones
Estadstico
Aprendiz
aje
Aproximacion
es
Aprendizaje
supervisado
Aprendizaje no supervisado y
anlisis de Agrupamiento
Algoritmo de kmedias
El algoritmo kmean
Evaluacin de desempeo
Estimacin de error y
confanza
Conjunto de entrenamiento y
de
testusar la mayor cantidad de datos posibles para el entrenamiento y para la
Queremos
Si usamos todos los datos para el entrenamiento y el mismo conjunto para la evaluacin
podemos SOBREENTRENAR el clasificador. Lo que puede hacer que falle con datos no vistos.
Matrices de Confusin
Para determinar como se distribuyen los errores en las
clases se construyen las matrices de confusin usando
el conjunto de test Zts.
Huellas Dactilares
omparacin de desempeo
Evaluacin de
Desempeo
En una aplicacin de control de acceso o de
verificacin (confrontacin) existen dos clases:
w1 la identidad es autntica o
w2 la identidad es falsa
Receiver Operating
Characteristic
Ejemplo de Problema
Real
Ejemplo de Problema
Censado: El sistema de visin captura una imagen en cuanto un nuevo pescado entra en el rea de
Real
clasificacin.
Clasificacin
Estimamos la probabilidad de error y se obtiene un mal resultado del orden del 40%
Qu hacemos ahora?
Resume
n
Los objetivos del Reconocimiento de Patrones est
relacionados con la eleccin del algoritmo ms apropiado para
el problema a resolver.
Deteccin de melanomas
Reconocimiento de Caras
Reconocimiento de Melodas