Rozpozn ávač jeté vařečky s HMM

1. Rozpoznávač jeté vařečky s HMM Honza Černocký cernocky@fit.vutbr.cz

2. Úkol • Rozpoznat jetou vařečku od jiného kuchyňského náčiní.

3. Analýza problému • Na data je potřeba se nejprve podívat a určit, čím se asi tak taková vařečka odlišuje od jiných.

4. Parametrizace • Segmentace • Feature extraction pomocí šířky a jasu • Možnost 1: Diskrétní symboly • SÚ je „světlá úzká“ • PÚ je „polotmavá úzká“ • TŠ je „tmavá a široká“ • Možnost dvě • Spojité hodnoty obou veličin.

5. Jak rozpoznat jetou vařečku I.Tvrdé srovnání se sekvencí symbolů • Vařečka je přesně sekvence symbolů [SÚ SÚ SÚ SÚ SÚ SÚ SÚ PÚ PÚTŠ TŠ] • Odpověď je ANO / NE Problém: rozpozná to pouze vařečky této délky.

6. Jak rozpoznat jetou vařečku II.Konečný stavový automat • Stavový automat přijme nebo nepřijme vstupní sekvenci symbolů. • Dokáže vařečky různé délky. Problém: rozpozná bez problémů i pahýlek vařečky.. SÚ PÚ TŠ

7. Jak rozpoznat jetou vařečku III.Stochastický konečný stavový automat (Markovův model) • Stavový automat násobí pravděpodobnosti, dá nám likelihood „vyslání“ sekvence symbolů modelem:0.7x0.7x0.7x0.7x0.7x0.7x0.3x0.6x0.6x0.6x0.4x0.3x0.7 • Slušná vařečka bude mít vysokou likelihood . Problém: pokud se v jediném symbolu spleteme (třeba smítko na vařečce), máme smůlu. 0.6 0.3 0.7 0.3 0.4 0.7 SÚ PÚ TŠ

8. The ultimate solutionSkrytý Markovův model • Každý stav si pro každý vektor určí, jak je pravděpodobné, že je vstupní vektor „jeho“ – tak, že pro něj vyhodnotí funkci hustoty rozdělení pravděpodobnosti. • V tomto příkladu jsme určili stavy ručně – budou podle nás representovat SÚ, PÚ a TŠ • Běžně si toto ale dělají HMM při trénování SAMY !!! 0.6 0.3 0.7 0.3 0.4 0.7 Funkce Hustoty Rozdělení Pravděpodobnosti Pro SÚ Funkce Hustoty Rozdělení Pravděpodobnosti Pro PÚ Funkce Hustoty Rozdělení Pravděpodobnosti Pro TŠ

9. Početní cvičení - images