Apprendimento delle caratteristiche geometriche: Sbloccare le intuizioni visive attraverso l'apprendimento delle caratteristiche geometriche

Di Fouad Sabry

Cos'è l'apprendimento delle caratteristiche geometriche

L'apprendimento delle caratteristiche geometriche è una tecnica che combina l'apprendimento automatico e la visione artificiale per risolvere compiti visivi. L'obiettivo principale di questo metodo è trovare un insieme di caratteristiche rappresentative della forma geometrica per rappresentare un oggetto raccogliendo caratteristiche geometriche dalle immagini e apprendendole utilizzando metodi efficienti di apprendimento automatico. Gli esseri umani risolvono compiti visivi e possono dare una risposta rapida all'ambiente estraendo informazioni percettive da ciò che vedono. I ricercatori simulano la capacità umana di riconoscere gli oggetti per risolvere problemi di visione artificiale. Ad esempio, M. Mata et al. (2002) hanno applicato tecniche di apprendimento delle caratteristiche ai compiti di navigazione del robot mobile per evitare ostacoli. Hanno utilizzato algoritmi genetici per apprendere caratteristiche e riconoscere oggetti (figure). I metodi di apprendimento delle caratteristiche geometriche possono non solo risolvere problemi di riconoscimento ma anche prevedere azioni successive analizzando una serie di immagini sensoriali di input sequenziali, solitamente alcune caratteristiche di estrazione delle immagini. Attraverso l'apprendimento si danno alcune ipotesi sull'azione successiva e in base alla probabilità di ciascuna ipotesi si dà l'azione più probabile. Questa tecnica è ampiamente utilizzata nel campo dell'intelligenza artificiale.

Come trarrai vantaggio

(I) Approfondimenti e convalide sui seguenti argomenti:

Capitolo 1: Apprendimento delle caratteristiche geometriche

Capitolo 2: Riconoscimento di modelli

Capitolo 3: Trasformata di Hough

Capitolo 4: Funzione di perdita

Capitolo 5: Aspettative-Algoritmo di massimizzazione

Capitolo 6: Campionamento di rifiuto

Capitolo 7: Elaborazione degli array

Capitolo 8: Codificatore automatico

Capitolo 9: Approssimazione stocastica

Capitolo 10: Rilevamento della scacchiera

(II) Rispondere alle principali domande del pubblico sull'apprendimento delle caratteristiche geometriche.

(III ) Esempi reali dell'utilizzo dell'apprendimento delle caratteristiche geometriche in molti campi.

A chi è rivolto questo libro

Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che vogliono andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di apprendimento delle caratteristiche geometriche.

• Lingua: Italiano
• Editore: Un Miliardo Di Ben Informato [Italian]
• Data di uscita: 5 mag 2024

Anteprima del libro

Capitolo 1: Apprendimento delle caratteristiche geometriche

L'apprendimento automatico e la visione artificiale si uniscono in un metodo chiamato apprendimento delle caratteristiche geometriche, che viene utilizzato per completare le attività visive. Estraendo le caratteristiche geometriche dalle foto e imparandole con metodi di apprendimento automatico efficaci, questo metodo cerca di stabilire un insieme di caratteristiche rappresentative della forma geometrica per descrivere un oggetto. Raccogliendo informazioni percettive da ciò che vedono, gli esseri umani sono in grado di risolvere problemi visivi e rispondere rapidamente all'ambiente circostante. Al fine di affrontare i problemi di visione artificiale, i ricercatori hanno iniziato a modellare le strategie di riconoscimento degli oggetti umani. Per aiutare i robot mobili a navigare in sicurezza, ricercatori come M. Mata et al. (2002) hanno utilizzato metodi di apprendimento delle funzionalità. Gli algoritmi genetici sono stati utilizzati per l'apprendimento delle caratteristiche e il riconoscimento degli oggetti (figure). Studiando una sequenza di immagini sensoriali in ingresso, in genere estraendone caratteristiche, gli approcci di apprendimento delle caratteristiche geometriche sono in grado non solo di gestire i problemi di riconoscimento, ma anche di anticipare i comportamenti futuri. Il processo di apprendimento fornisce una serie di ipotesi sul passaggio successivo, quindi classifica le ipotesi in ordine di probabilità per determinare la linea d'azione più probabile. Il campo dell'intelligenza artificiale fa ampio uso di questo metodo.

Le immagini includono caratteristiche geometriche uniche che possono essere estratte utilizzando tecniche di apprendimento delle caratteristiche geometriche. Gli oggetti possono avere qualità geometriche perché sono costituiti da una serie di parti geometriche come punti, linee, curve e superfici. Le tecniche di rilevamento delle caratteristiche sono in grado di identificare caratteristiche come angoli, bordi, macchie, creste, punti salienti e altre aree prominenti della trama di un'immagine.

Caratteristiche primitive

Gli angoli degli oggetti sono un elemento di design semplice ma cruciale. Le cose complesse, in particolare, spesso presentano caratteristiche d'angolo contrastanti. Il rilevamento degli angoli è un metodo per isolare i quattro angoli di un oggetto. Cho e Dunn definirono un angolo con un nuovo approccio, basato sulla separazione e sull'angolo di due linee parallele. In questo nuovo approccio, le feature sono definite come la somma parametrizzata di molti sottocomponenti.

I bordi di un'immagine sono i suoi elementi strutturali distintivi in un'unica dimensione. Denotano i limiti tra aree visive distinte. Il rilevamento dei bordi è un metodo per individuare in modo rapido e preciso i contorni di un oggetto.

Il metodo di rilevamento dei BLOB viene usato per identificare i BLOB, che sono aree nelle fotografie.

Da un punto di vista applicativo, una cresta può essere interpretata come una curva simmetrica unidimensionale. Vedere anche: Metodo di rilevamento per le creste.

per l'attenzione del rivelatore di salienza di Kadir-Brady sulle caratteristiche salienti, la trama dell'immagine

Caratteristiche composte

Composizione geometrica

Più feature di base, ad esempio spigoli, angoli o blob, vengono combinate per formare un'unica feature di componente geometrico. Di seguito mostriamo come il punto di riferimento può essere utilizzato per calcolare il vettore necessario per estrarre l'elemento geometrico in posizione x:

\textstyle \ x_{{i}}=x_{{i-1}}+\sigma _{{i-1}}d_{{i}}{\begin{bmatrix}\cos(\theta _{{i-1}}+\phi _{{i}})\\\sin(\theta _{{i-1}}+\phi _{{i}})\end{bmatrix}}\textstyle \ \theta _{{i}}=\theta _{{i-1}}+\Delta \theta _{{i}}\textstyle \ \sigma _{{i}}=\sigma _{{i-1}}\Delta \sigma _{{i}}

Le posizioni degli elementi sono indicate con il simbolo x, \textstyle \theta indica l'orientamento, \textstyle \sigma indica la scala intrinseca.

Composizione booleana

Altre due feature, primitive o altre feature composte, costituiscono una feature composta booleana. Le caratteristiche booleane possono essere suddivise in due categorie: caratteristiche congiuntive il cui valore è il prodotto di due sotto-caratteristiche e caratteristiche disgiuntive il cui valore è il massimo delle due sotto-caratteristiche.

Segen è stato il primo a riflettere sul concetto di spazio caratteristico nel campo della visione artificiale. Per rappresentare le relazioni geometriche tra i tratti regionali, ha utilizzato un grafo a più livelli.

Il riconoscimento degli oggetti nelle immagini può essere insegnato con un numero qualsiasi di tecniche di apprendimento disponibili. È possibile aggiungere nuovi tipi di oggetti al tuo repertorio durante il processo di apprendimento.

Rilevamento degli angoli

Raccordo curva

Rilevamento dei bordi

Estrazione di strutture globali

Istogrammi delle caratteristiche

Rilevamento della linea

Etichettatura di parti interconnesse

Texture dell'immagine

Stima del movimento

1.Ottenere una nuova immagine di allenamento I.

2. Valutare l'esito alla luce dell'algoritmo di riconoscimento. Le nuove classi di oggetti vengono riconosciute se il risultato è positivo.

algoritmo di riconoscimento

Trovare le caratteristiche che distinguono una classe da un'altra è l'obiettivo primario di ogni programma di riconoscimento.

Quindi usando l'equazione sottostante per massimizzare la caratteristica \textstyle \ f_{{max}}

\textstyle \ I_{{max}}={\underset {f}{max}}{\underset {C}{max}}I(C,F_{{f}})\textstyle \ I(C,F_{{f}})=-{\underset {C}{\sum }}{\underset {F_{{f}}}{\sum }}BEL(F_{{f}},C)\log {\frac {BEL(C,F_{{f}})}{BEL(F_{{f}})BEL(C)}}

Valutazione del valore di un'immagine \textstyle \ f_{{max}} e, \textstyle \ f_{{f_{{max}}}} inoltre, per adattare un attributo a una regione specifica:

\textstyle \ f_{{f_{{(p)}}}}(I)={\underset {x\in I}{max}}f_{{f_{{(p)}}}}(x)

Dove \textstyle f_{{f_{{(p)}}}}(x) è definito come

\textstyle f_{{f_{{(p)}}}}(I)=max\left\{0,{\frac {f(p)^{T})f(x)}{\left\|f(p)\right\|\left\|f(x)\right\|}}\right\}

valutazione

Esistono cinque categorie di valutazione dei risultati del riconoscimento: corretto, errato, ambiguo, confuso e ignorante. Queste categorie consentono di determinare se le classi possono essere riconosciute dopo il riconoscimento delle funzionalità. Aggiungere una nuova immagine di training una volta che la valutazione è accurata. Nel caso in cui il riconoscimento non abbia successo, si raccomanda che i nodi delle caratteristiche massimizzino il loro potere distintivo, misurato dalla distanza di Kolmogorov-Smirnoff (KSD).

\textstyle KSD_{{a,b}}(X)={\underset {\alpha }{max}}\left|cdf(\alpha |a)-cdf(\alpha |b)\right|

3.Algoritmo per l'acquisizione di feature L'approccio di apprendimento delle feature viene quindi utilizzato per testare l'accuratezza del riconoscimento della rete bayesiana dopo che la feature è stata identificata.

L'obiettivo principale di un metodo di apprendimento delle funzionalità è individuare una nuova funzionalità da un'immagine di esempio con cui valutare se le classi sono state riconosciute correttamente o meno. Ci sono due scenari da considerare: usando l'immagine di esempio, cercare nuove funzionalità della classe reale e della classe errata. Una classe viene riconosciuta e la procedura deve terminare se viene individuata una nuova funzionalità della classe reale e la classe errata non viene individuata. Rimuovere le funzionalità dalla rete bayesiana che possono essere utilizzate per riconoscere la classe false se vengono trovate nell'immagine di esempio ma non nella classe effettiva.

La procedura di test viene attuata utilizzando una rete bayesiana.

D ha usato un concetto chiamato probabilmente approssimativamente corretto (PAC) per.

Questo approccio è stato utilizzato da Roth (2002) per creare una teoria dell'apprendimento senza distribuzione per la visione artificiale.

La creazione di un metodo di apprendimento efficiente dal punto di vista delle funzionalità è stata fondamentale per il successo di questa ipotesi.

Lo scopo di questo algoritmo è quello di riconoscere un oggetto in un'immagine in base alle sue caratteristiche geometriche.

I vettori di feature vengono utilizzati come input e un 1 alla fine indica l'esito positivo del rilevamento dell'oggetto, mentre uno 0 indica un errore.

L'idea chiave alla base di questo metodo di apprendimento è quella di accumulare caratteristiche in grado di descrivere fedelmente l'elemento attraverso una funzione, e quindi mettere alla prova tale funzione riconoscendo un oggetto in un'immagine.

L'algoritmo di apprendimento mira a prevedere se il concetto di destinazione appreso \textstyle f_{{T}}(X) appartiene a una classe, dove X è lo spazio dell'istanza e i parametri vengono testati per vedere se sono accurati.

Una volta apprese le caratteristiche, queste possono essere utilizzate per valutare l'efficacia degli algoritmi di apprendimento. D. Roth ha utilizzato due algoritmi di apprendimento:

1.L'algoritmo dei nodi sparsi su un albero (SNoT)

SNoW-Treno

Fase iniziale: iniziale l'insieme di elementi \textstyle F_{{t}}=\phi che si collegano alla destinazione t per tutti \textstyle t\in T .

T è un insieme di oggetti target i cui elementi devono \textstyle t_{{1}} essere \textstyle t_{{k}}

Impostare il peso iniziale e collegare l'elemento all'obiettivo se l'impostazione T contiene solo l'elemento che condivide un insieme di elementi attivi.

Valutare i bersagli : confrontare i bersagli \textstyle {\underset {i\in e}{\sum }}w_{{i}}^{{t}} con \textstyle \theta _{{t}} , dove \textstyle w_{{i}}^{{t}} è il peso su una posizione che collega gli elementi i al bersaglio t.

theta t è la soglia desiderata, non t.

Regolare l'importanza in base ai risultati dell'analisi.

Esistono due casi: previsto positivo su esempio negativo ( \textstyle {\underset {i\in e}{\sum }}w_{{i}}^{{t}}>\theta _{{t}} e le destinazioni non sono nell'elenco delle funzionalità attive) e previsto negativo sull'esempio positivo ( \textstyle {\underset {i\in e}{\sum }}w_{{i}}^{{t}}\leq \theta _{{t}} e le destinazioni sono nell'elenco delle funzionalità attive).

Valutazione SNoW

Applicare la stessa funzione valutativa descritta nella frase precedente a ciascun obiettivo.

Predizione: selezionare il nodo con i processi terminali più attivi.

Sistema di supporto vettoriale

Lo scopo principale di SVM è quello di trovare un iperpiano per separare l'insieme dei campioni, \textstyle (x_{{i}},y_{{i}}) dove \textstyle x_{i} è un vettore di input che è una selezione di elementi