alakfelismerés technikák
Jelenleg sok igénylő feladatokat kell határozatot hoznia jelenlététől függően a kép egy tárgy vagy minősítette azt. Az a képesség, hogy „ismeri” kell tekinteni a fő jellemzője a biológiai lények, míg a számítógépes rendszer az ingatlan nem teljesen rendelkeznek.
Tekintsük a közös elemeket az osztályozási modellt.
Osztály - néhány tárgy közös tulajdonságait. jelenlétében „hasonlóság” szánt tárgyakat az azonos osztályba. Az elismerés a probléma lehet meghatározni olyan osztályok száma nagyobb, mint 1. Az osztályok száma jelöli száma S. Minden osztály saját azonosító jelét osztályban.
Besorolás - a folyamat hozzárendelésével egy osztály címke tárgyak, egyesek szerint jellemvonások ezeket az objektumokat. Selejtező - olyan eszköz, amely fogadja a bemeneti egy sor objektum attribútumok, és ennek eredményeként a kiállító osztály címkét.
Ellenőrzés - a folyamat összehasonlításával a példány az objektum az azonos modell vagy objektum osztály leírás.
Folynak megértjük a mező nevét a funkció térben, amely megjeleníti több objektum vagy jelenség az anyagi világ. Indicator - kvantitatív leírása tulajdonsága a vizsgált tárgy vagy jelenség.
Feature hely egy N-dimenziós térben definiált erre elismerés probléma, ahol N - meghatározott számú mért tulajdonságai bármilyen objektuma. A vektor a funkció X tér, amely megfelel a tárgyfelismerési feladat az N-dimenziós vektor komponensek (x_1, x_2, ..., x_N), amelyek jellemző értékei az objektum.
Más szóval, a mintázat felismerő lehet meghatározni, mint a kezdeti hozzárendelését adatok egy adott osztályba keresztül kiválasztása alapvető jellemzőinek vagy tulajdonságainak jellemzésére ezeket az adatokat, a teljes súlya lényegtelen részletek.
Példák besorolás feladatai a következők:
- Character Recognition;
- beszédfelismerés;
- a létesítmény egy orvosi diagnózis;
- Időjárás előrejelzése;
- Arcfelismerés
- dokumentumok osztályozása és mások.
A legtöbb esetben a kiindulási anyagot a kamera képét. A probléma lehet megfogalmazni, mint a felkészülés a jellemző vektorok az egyes osztályokra a kép alatt áll. A folyamat úgy tekinthető, mint a kódolási folyamat abból áll, egy értéket rendelünk az egyes jellemző a funkció helyet az egyes osztályokra.
Ha figyelembe vesszük, két osztálya tárgyak: felnőttek és gyerekek. Mivel jeleit lehet választani a magasság és a súly. Mint látható az ábrán, a két osztály alkot két diszjunkt, hogy az lehet a magyarázata a kiválasztott attribútumok. De nem mindig kiválasztani a megfelelő paramétereket kell mérni, amely jelzi az osztályok. Pl kiválasztott paraméterek nem fog működni, hogy hozzon létre különálló osztályok labdarúgók és kosárlabda játékos.
A második feladat az elismerés kiválasztását a jellegzetes vagy tulajdonságai az eredeti képeket. Ez a probléma annak tulajdonítható, hogy a kezelés előtti. Ha figyelembe vesszük a problémát a beszédfelismerés, akkor válassza ki az ilyen jellemzők magán- és mássalhangzók. A jel kell, hogy legyen egy jellegzetes tulajdonsága, az osztály, míg a közös ebben az osztályban. Jelek leírja a különbségeket - interclass jeleket. Tünetek közös az összes osztályok nem hasznos információt hordoz, és nem tekintik elismerés jeleként a feladat. A választás a jelek az egyik legfontosabb feladatait az építőiparban a felismerő rendszer.
Miután definiált attribútumokat kell határozni azt az optimális eljárás besorolás. Tekintsük a mintázat felismerő rendszer célja, hogy felismeri a különböző osztályok M kijelölt m_1, m_2, ..., m_3. Ezután akkor feltételezhetjük, hogy a tér áll M kép régiók mindegyike egy pont megfelelő módon egy osztályban. Akkor a probléma elismerés tekinthető épület osztja M osztály alapján a kapott mérési vektorok.
Megoldás kép pre-feldolgozási feladatok, jellemzők kiemelése, és a probléma megszerzésének az optimális megoldás, és az osztályozás általában együtt járó, hogy értékelni kell számos paraméter. Ez ahhoz vezet, hogy a paraméter becslési probléma. Továbbá az is nyilvánvaló, hogy szelekciós jellemzők további információkat is felhasználhat a természet az osztályok.
Összehasonlítva tárgyakat lehet alapján készült képviseletük formájában vektor mérések. A mérési adatokat, amelyek képviseletében a valós számokat. Ezután a hasonlósága attribútum vektorok két objektum leírható az euklideszi távolságot.
ahol d - dimenziója jellemző vektorok.
Megosztása a 3 csoport alakfelismerés módszerek:
- Mintaegyezés. Ebbe a csoportba tartoznak a besorolás a legközelebbi átlagos besorolás a távolságot a legközelebbi szomszéd. Szintén összehasonlítva a modell csoportot tartalmaznak a strukturális módszerek elismerése.
- Statisztikai módszerek. Ahogy a neve is mutatja, a statisztikai módszerek bizonyos statisztikai adatokat a probléma megoldásának a felismerés. A módszer az objektum tartozik egy adott osztály alapján valószínűség Bizonyos esetekben ez jön le, hogy a definíció az utólagosan valószínűsége, hogy a tárgy tartozó egy adott osztály, feltéve, hogy a funkciók a létesítmény megtette a megfelelő értékeket. Ennek egyik példája a módszer Bayesi döntési szabály.
- A neurális hálózatok. Egy külön osztályt kimutatási módszerek. A megkülönböztető jegye a többiek a tanulás képessége.
Ezután vesszük a különböző módszereket, amelyek különböző csoportok.
A besorolás a legközelebbi középérték
A klasszikus megközelítés, alakfelismerés, ahol a besorolás egy ismeretlen tárgyat képviseli, mint egy vektor elemi funkciókat. jelek alapján az elismerési rendszert kialakítani a különböző módokon. Ezek a vektorok a rendszer által ismert előre a tanulás vagy előre jelzett valós időben alapján bármelyik modell.
Egy egyszerű algoritmus a jelölő csoport osztály referenciaadat-vektor alkalmazásával a várakozás osztály (átlagos érték).
ahol x_ (i, j) - j-edik hivatkozási jel az I. osztályú, n_j- számú referencia vektorok I. osztályú.
Aztán egy ismeretlen objektum hivatkozik az I. osztályú, ha az sokkal közelebb áll a vektor matekórán i elvárások, mint a vektorok az elvárásoknak más osztályokba. Ez a módszer alkalmas olyan alkalmazásoknál, ahol minden osztály pontot kompakt és távol más osztályba tartozó pontokat.
Nehézségek merülnek fel, ha az osztályok lesz egy kicsit bonyolultabb, például az alábbiak szerint. Ebben az esetben, a 2. osztályú van osztva két diszjunkt régiók amelyek rosszul le egyetlen átlagérték. Továbbá, a 3. osztályba túl feszített, minták 3. fokozat nagy x_2 koordináta értékeket közelebb az átlagos értéke az 1. osztályba, mint 3rd.
Ez a probléma sokszor megoldható távolság változtatásával számítás.
Mi fogja venni a jellemzői a „spread” class értékek - σ_i, valamint minden koordináta irányban i. A szórás a négyzetgyöke a szórás. Transzformált közötti euklideszi távolság x vektor és a vektor egyenlő a várakozást x_c
Ez a távolság képlet számának csökkentésére besorolás hibák, de valójában a legtöbb problémát, nem tudja elképzelni, mint egy egyszerű osztály.
A besorolást a távolságot a legközelebbi szomszéd
Egy másik megközelítés a besorolás osztályozni egy ismeretlen funkcióval x vektor az osztály, amelyhez az egyes mintákat, a vektor legközelebb. Ez a szabály az úgynevezett szabály a legközelebbi szomszéd. A besorolás a legközelebbi szomszéd hatékonyabb lehet, akkor is, ha az osztályok olyan komplikált szerkezetet osztályok vagy metszik egymást.
Ez a megközelítés nem igényel feltételezések eloszlása jellemző vektorok az űrben. Az algoritmus csak az információt az ismert referencia minták. Módszer alapuló megoldások távolság kiszámításánál x mindegyik mintát egy adatbázist, és a megállapítás a minimális távolság. Az előnye ennek a megközelítésnek nyilvánvalóak:
- Bármikor új minták egy adatbázisba;
- fa és a rács adatstruktúra csökkentheti a számított távolság.
Ezen túlmenően, a megoldás jobb lesz, ha megnézzük alapján több mint egy legközelebbi szomszéd és k. Ekkor k> 1 a legjobb választás a vektor eloszlása a d-dimenziós térben. Ugyanakkor hatékony felhasználása k értékeket attól függ, hogy elegendő mennyiségű tér minden területen elérhető. Ha több mint két osztály, hogy a helyes döntés bonyolultabb.