Baixe o app para aproveitar ainda mais
Prévia do material em texto
Tópicos em Visão Computacional e Reconhecimento de Padrões Dr. Hemerson Pistori Grupo de Pesquisa em Engenharia e Computação – GPEC Universidade Católica Dom Bosco - UCDB Sumário • Visão geral e áreas correlatas • Aplicações (desenvolvidas pelo GPEC) • Arquitetura de de um sistema de visão computacional • Tópicos em Visão Computacional • Tópicos em Reconhecimento de Padrões • Demonstração • Conclusão Visão Geral Inteligência Artificial Processamento Digital de Imagens Visão Computacional (VC) Aprendizagem Automática Computação Gráfica Reconhecimento de Padrões (RP) RP: Identificação ou classificação de “objetos” ou “coisas” (Faces, expressões, voz, sons, bases, comportamento, textos, etc) VC: Interpretação e reação a partir de imagens (Filmes, fotos, imagens de satélite, raio-x, tomografia, etc) Classificação de Couro Bovino www.gpec.ucdb.br/dtcouro Grupon Fora do Grupon D1 - 200cm2 D2 - 173cm2 D3 - 15cm2 D4 - 87cm2 fazenda frigorífico curtume Identificação de Comportamento Animal www.gpec.ucdb.br/topolino Interação Homem-Máquina www.gpec.ucdb.br/sigus Monitoramento de Bioensaios http://www.vims.edu/pfiesteria/ Patten et Alli (UNR e Verdia Inc.) Arquitetura de Sistema de VC Captura Pré-processamento Segmentação Rastreamento Extração Atrib.Seleção Atrib.AprendizagemClassificação argmax , ∏ i=1 n p x i | j F.1 F.2 F.2 > 3.6 [0.2 0.1 40 30 0.2] Vertical Tópicos em Visão Computacional • Espaços de Cores e Histogramas • Pré-processamento • Segmentação • Atributos de Textura • Atributos de Forma • Vetores de Atributos e Espaço Vetorial Imagens Coloridas RGB HSB imagej Imagens e Funções Bidimensionais SurfacePlot Histogramas Color Inspector 3D Álgebra – Espaços Vetoriais Pré-Processamento PréProcessam ento Gradiente – Cálculo Diferencial Variação Segmentação Wetblue leather defectsWetblue leather defectsArtemis countingArtemis counting Atributos baseados em Textura Images and results from Mikaël Rousson, Thomas Brox and Rachid Deriche (INRIA) Atributos Baseados em Forma Angles Ranges 0 2,5 5 7,5 10 12,5 15 17,5 20 Curvatures Histogram 0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80 80-90 Image Moments v1 v2 v2 v1 v3 v4 v4 v3 Excentricidade – Razão Invariância à Rotação, Translação e Escala A B B B Vetores de Atributos e Espaços Vetoriais x = [230 221 222 353 4 90 0.12 0.5]' Red Green Blue Hue Sat. Value Freq45o Freq.90o x = [0.2 430 0.4 0.2 ...]' Excen. Perimeter Curv.Hist.010 Curv.Hist.4050. ... Rastreamento – Filtros Preditivos Assuntos Relacionados: Modelos de Markov Ocultos, Campos Aleatórios de Markov, Redes Bayesianas, Filtros de Kalman, Filtros de Partículas, etc Modelos de Observação + Modelos de Dinâmica Observação + Previsão Contínuo X Discreto, Paramétrico X NãoParamétrico, Linear X Não Linear Métodos de Monte-Carlo Ac= r 2 4 Aq=r 2 =4 Ac Aq r Ac Aq Exemplo: Calculando Pi Dardos Total que atinge quadrado Total que atinge semicírculo Tópicos em Reconhecim ento de Padrões • Abordagem da Aprendizagem Estatística • Estim ação de M áxim a Verossim ilhança • M odelos Param étricos X NãoParam étricos • M odelos de M istura de Gaussianas • M étodos Iterativos para Estim ação de M odelos • Redução de Dim ensionalidade – PCA e FLDA Aprendizagem Estatística ω1 : Carrapatos ω2 : Estrias ω3 : Mosca ω1 : Horiz. ω2 : Vert. Problema de Classificação em 3 Classes 2 Classes ωj : Classe j x : Vetor de atributos p(ωj | x) : Prob. a posteriori de ωj p(x | ωj) : Verossimilhança of ωj p(ωj) : Prob. a priori de ωj p(x) : Prob. de x (evidência) Decisão Bayesiana p j | x = p x | j p j p x argmax j p j | x Aprendizagem de Modelos Gaussianos p(x | ω1) p(x | ω2) p(x | ω2) p(x | ω1) Estimativa de Máxima Verossimilhança argmax , ∏ i=1 n p x i | j p x | j= 1 2D /2∣1/2∣ e − 1 2 x−T −1 x− Modelos Paramétricos X Não Paramétricos 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 0 5 10 15 20 25 30 35 40 45 50 55 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 0 2,5 5 7,5 10 12,5 15 17,5 20 22,5 Mistura de Modelos Gaussianos 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 0 2,5 5 7,5 10 12,5 15 17,5 20 First Class Second Class Métodos Iterativos de Estimação E.M. ExpectationMaximization 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 0 2 4 6 8 10 12 14 16 18 20 22 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 0 2 4 6 8 10 12 14 16 18 20 22 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 0 2 4 6 8 10 12 14 16 18 20 22 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 0 2 4 6 8 10 12 14 16 18 20 22 Redução de Dimensão - PCA v v é um autovetor associado ao maior autovalor da matriz de variância e covariância dos pontos Redução de Dimensão - FLDA Informações Adicionais www2.acad.ucdb.br/pistori
Compartilhar