Instituto Tecnológico da Aeronáutica – ITA
This presentation is the property of its rightful owner.
Sponsored Links
1 / 15

Padrões de Reconhecimento Débora Ap. Rodrigues Chagas PowerPoint PPT Presentation


  • 44 Views
  • Uploaded on
  • Presentation posted in: General

Instituto Tecnológico da Aeronáutica – ITA EE-09 Inteligência Artificial Prof. Adilson Marques da Cunha. Padrões de Reconhecimento Débora Ap. Rodrigues Chagas. Roteiro. Introdução Objetivo O que é Relações Métodos Aplicações Exemplos Conclusão. Introdução.

Download Presentation

Padrões de Reconhecimento Débora Ap. Rodrigues Chagas

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Padr es de reconhecimento d bora ap rodrigues chagas

Instituto Tecnológico da Aeronáutica – ITAEE-09 Inteligência ArtificialProf. Adilson Marques da Cunha

Padrões de Reconhecimento

Débora Ap. Rodrigues Chagas


Roteiro

Roteiro

  • Introdução

  • Objetivo

  • O que é

  • Relações

  • Métodos

  • Aplicações

  • Exemplos

  • Conclusão


Introdu o

Introdução

  • A habilidade do ser humano em reconhecer e classificar objetos sempre impressionou e continua a impressionar os cientistas.

  • Desde os primórdios da computação, a tarefa de implementar algoritmos emulando essa capacidade humana, tem-se apresentado como a mais intrigante e desafiadora !


Objetivo

Objetivo

  • Descrever o que é, e como funciona o Reconhecimento de Padrões e como ele utiliza a Inteligência Artificial – IA.


O que

O que é

  • O Reconhecimento de Padrões (RP) é a ciência que trata da classificação e descrição de objetos.

  • Um projeto de RP envolve normalmente:  

    • Extração de características dos objetos a classificar (ou a descrever);  

    • Seleção das características mais discriminativas; 

    • Construção de um classificador (ou descritor). 


Rela es

Relações

  • São múltiplas e importantes as relações de RP com outras disciplinas, em particular da área da Informática:

    • Processamento de sinal e imagem

    • Teoria da Otimização e da Estimação

    • Inteligência Artificial

    • Aprendizagem Automática (machine learning)

    • Mineração de Dados (data mining and knowledge discovery)

    • Sistemas Adaptativos

    • Modelagem Neuronal (artificial neural networks)

    • Teoria dos Autômatos

    • Conjuntos Difusos (fuzzy sets)

    • Modelagem Estrutural

    • Linguagens formais


M todos

Métodos

  • Conforme o tipo de objetos a classificar (ou descrever) o projeto de RP usa algum (ou alguns) dos seguintes principais  métodos ou abordagens:

    • Abordagem estatística: A abordagem clássica, historicamente mais antiga, denominada por "Teoria da Decisão". Assume que as características das classes se regem por determinados modelos probabilísticos.

    • Abordagem sintática: Procura descrever a estrutura dos padrões usando inter-relações de características descritoras básicas denominadas primitivas.

    • Abordagem neuronal: Abordagem tipo "caixa negra" que procura determinar um mapeamento ótimo entre entradas e saídas inspirando-se em modelos de neurônios do cérebro.

    • Abordagem difusa: Abordagem que tem em conta o grau de incerteza por vezes inerente a características e a classificações, usando a Teoria dos conjuntos difusos para modelar esse grau de incerteza.

  • Existem ainda outras abordagens, com parentesco com alguma das anteriores.


Aplica es

Aplicações

  • Classificação de dados, reconhecimento e descrição de objetos, análise de cenas são tarefas importantes em muitas aplicações de software (e também de hardware).

  • As técnicas de Reconhecimento de Padrões têm, assim, um vasto leque de aplicações num grande número de áreas científicas e tecnológicas, nomeadamente no projeto e desenvolvimento de sistemas inteligentes, que constituem o cerne do investimento tecnológico atual. 


Exemplo 01 an lise e classifica o de sinais

Exemplo 01:Análise e Classificação de Sinais

  • Reconhecimento de formas de onda e diagnóstico de sinais eletrocardiográficos.

  • Os diversos componentes de um sinal eletrocardiográfico são reconhecidos e medidos (a figura  ilustra o reconhecimento automático das ondas P, Q, R, S e T). As medições são usadas para classificar (diagnosticar) os sinais. Abordagens sintáticas e estatísticas são apropriadas a este tipo de problema


Exemplo 02 an lise e classifica o de imagens

Exemplo 02:Análise e Classificação de Imagens

  • Classificação automática de rolhas.

  • As imagens das rolhas são obtidas e processadas por forma a realçar claramente os defeitos. A partir de imagens a preto e branco, mostrando os defeitos, são obtidas medições que permitem categorizar as rolhas, usando um classificador estatístico. O classificador é treinado com vista a emular o perito humano.


Exemplo 03 an lise e classifica o de dados

Exemplo 03:Análise e Classificação de Dados

  • Previsão de peso fetal  

  • A previsão do peso fetal com base em medidas ecográficas (dimensão do cérebro, fêmur, etc.) é importante para avaliar o risco de um parto. A figura ilustra as previsões obtidas com uma rede neuronal (vermelho), face aos valores reais (azul). As previsões obtidas com a rede neuronal são superiores às obtidas com fórmulas de regressão popularizadas. Existe trabalho em curso com vista a aumentar a eficiência desta abordagem.


Exemplo 04 reconhecimento de caracteres

Exemplo 04:Reconhecimento de Caracteres

  • O reconhecimento de caracteres é um tema clássico de RP. Suponhamos que desejávamos projetar uma máquina-percepção capaz de discriminar automaticamente Us de Vs, usando uma regra simples, linear, de classificação. Considerando que os Us e Vs estejam desenhados numa grelha de 8x7, conforme ilustra a figura (supõe-se que as imagens foram binarizadas):


Exemplo 04 continua o reconhecimento de caracteres

Exemplo 04 (Continuação):Reconhecimento de Caracteres

  • Efetuando a soma dos bits segundo as linhas e as colunas da grelha obtêm-se as "projeções" (resp. H1 a H8 e V1 a V7) indicadas em azul na figura. Estas projeções sugerem as seguintes características como potencialmente úteis na discriminação de U's de Vs (outras escolhas são possíveis):

    x1 = (V1+V2+V6+V7) / (V3+V4+V5)

    x2 = (H7+H8) / (H1+H2+H3+H4+H5+H6)

  • A um conjunto (dito de treino) de Us e Vs podemos agora aplicar um percepção adaptativo linear (adaline), com o objetivo de encontrar a reta ótima de separação de Us e Vs no espaço bidimensional das características x e y. O percepção tem a seguinte estrutura:


Exemplo 04 continua o reconhecimento de caracteres1

Exemplo 04 (Continuação):Reconhecimento de Caracteres

  • A classificação em duas classes um objeto qualquer, representado pelo vetor de características x = [x1 x2 ... xd]', exprime-se da seguinte forma: 

    Resposta = w1x1+w2x2+...+wdxd+wd+1

    Resposta >=0 : atribui à Classe 1                (Saída=1,    p. ex.)

    Resposta < 0  : atribui à Classe 2                (Saída=-1,   p. ex.) 

  • Trata-se, portanto, de um classificador linear em que a superfície de decisão é um hiperplano (para um dos lados está a classe 1; para o outro a classe 2). Podemos discriminar mais de duas classes usando vários percepções.  No exemplo da separação de Us de Vs usamos duas características (d=2): a superfície de decisão é uma reta.

  • A percepção começa por usar uma superfície de decisão arbitrária (pesos aleatórios, p. ex.) e "aprende" uma regra de classificação usando iterativamente as entradas (características dos objetos do conjunto de treino), ajustando os pesos com vista a obter à saída a classificação correta. Na iteração k os pesos (wk) são adaptados segundo o princípio de "punição-recompensa" (um dos princípios de aprendizagem artificial mais popularizados):

    Punição:(Resposta errada) Se objeto Î Classe 1 e Resposta    :       

    wk  =  wk-1 + cxk-1 Se objeto Î Classe 2 e Resposta  : wk  =  wk-1 - cxk1 (c: fator corretivo)

    Recompensa:(Resposta correta)

    wk  =  wk-1

  • Se as classes são linearmente separáveis o processo de aprendizagem para quando se alcança um hiperplano separador. Caso contrário o hiperplano irá oscilar próximo da fronteira entre as classes.


Conclus o

Conclusão

  • Hoje em dia os sistemas de Reconhecimento de Padrões vem sendo aplicado para resolver problemas que apenas o ser humano conseguia resolver.


  • Login