Macchine di Percezione

1. Pattern Classification 2° Edizione Macchine di Percezione • Costruire una macchina in grado di riconoscere pattern: • Riconoscimento vocale • Identificazione delle impronte digitali • OCR (Optical Character Recognition) • DNA identificazione delle sequenze

2. Esempio • “Ordinamento di specie di pesci mediante un sistema di visione che acquisisce immagini di oggeti che scorrono su un nastro trasportatore” Branzino Specie Salmone

3. Analisi del problema • Configura una telecamera ed ottieni qualche immagine campione per estrarre caratteristiche degli oggetti (features) • Lunghezza • Luminosità • Larghezza • Numero e forma delle pinne • Posizione della bocca, ecc… Questo è l’insieme di tutte le features suggerite per essere usate nel nostro classificatore al fine di discriminare le due specie!

4. Preprocessing • Utilizza l’operazione di segmentazione per isolare i singoli pesci presenti nell’immagine e per isolarli dallo sfondo • L’informazione del singolo pesce viene inviata ad un estrattore di feature il cui proposito è quello di ridurre la dimensione dei dati, misurando lunghezza, larghezza luminosità ecc. • Le features vengono inviate ad un classificatore

5. “Salmone” “Branzino”

6. Classificazione • Seleziona la lunghezza del pesce come possibile feature (caratteristica) per la discriminazione.

7. Branzino Salmone

8. La sola lunghezza è una debole feature! Seleziona la luminosità come possibile feature.

9. Branzino Salmone

10. Soglia decisionale e relazione costo • Muovere il nostro intorno decisionale verso valori più piccoli di luminosità in modo da minimizzare una funzione costo (ridurre il numero di branzini che vengono classificati come salmone!) Task della teoria decisionale

11. Adotta la luminosità e aggiungi la larghezza del pesce Pesce xT = [x1, x2] Larghezza Luminosità

12. Salmone Branzino

13. Possiamo aggiungere altre feature non correlate con quelle che abbiamo selezionato. Una precauzione va presa nel non ridurre le performance del sistema aggiungendo “feature rumorose” • Idealmente, il migliore intervallo di decisione sarebbe quello che fornisce performance ottimali come nella figura seguente:

14. Branzino Salmone

15. Tuttavia, la nostra soddisfazione è ancora prematura poiché lo scopo principale nel disegnare un classificatore è quello di classificare correttamente pattern nuovi (mai visti prima!) Generalizzazione!

16. Branzino Salmone

17. Sistema di Pattern Recognition • Sensing • Utilizzo di un trasduttore (telecamera, sensori di gas microfono ecc.) • I sistemi di PR dipendono dalla larghezza di banda, dalla risoluzione, sensitività, distorsione ecc del trasduttore • Segmentazione e raggruppamento • I Pattern dovrebbero essere ben separati e non sovrapposti

18. Sistema di Pattern Recognition Decisione • Assegna il vettore delle feature estratte e selezionate ad una classe, dopo essere stato opportunamente addestrato. • L’Addestramento serve a trovare l’iperpiano di separazione tra le classi di appartenenza delle features. • Attenua i problemi derivanti dal rumore dei sensori. • Tecniche statistiche: Bayes, Linear discriminant analysis… • Tecniche neurali: SOM, ART, Backprop., Radial Basis Functions… • Soft-Computing: Neuro-Fuzzy classifier.... Post-processing Classificazione Feature Extraction • Caratterizza un oggetto da riconoscere in modo tale da avere misurazioni con valori simili per oggetti nella stessa categoria. Invarianti da trasformazioni irrilevanti dell’input (scala, rotazione ecc.). • Wavelet Analysis • Fourier Analysis • Principal Component analysis Segmentazione Sensing Input Separazione del dato di interesse dal background

19. Estrazione delle Features Obbiettivo: estrarre componenti significative (o attributi), meno ridondanti di quelle contenute nel segnale originario (es. colore, forme, tessitura ecc.). Scopo: • Riduzione dello spazio dei segnali in modo da contenere sufficiente informazione per discriminare le sotto-popolazioni in questione. • Rimozione di informazione ridondante e rumorosa (features • fortemente correlate). • Devono essere significative all’uomo.

20. Dominio spaziale Dominio delle caratteristiche 4 2 2 2 2 2 2 2 2 3 1 2 3 3 2 3 2 3 3 3 3 2 4 4 4 4 4 1 4 4 4 4 1 4 1 1 1 1 x2 1 1 1 x1 1 1 SPAZIO DELLE CARATTERISTICHE Nello spazio delle caratteristiche si possono accumulare diverse classi (corrispondenti a tipologie diverse di oggetti) che potranno essere separate mediante opportune funzioni discriminanti. Tali funzioni discriminanti, rappresentano nello spazio delle caratteristiche a n-dimensioni, le ipersuperfici di separazione dei cluster, che caratterizzano in modo dominante il processo di classificazione.

21. SPAZIO DELLE CARATTERISTICHE Le ipersuperfici si possono semplificare con iperpiani ed in tal caso si parla di funzioni discriminanti linearmente separabili. L’abilità del processo di classificazione si basa sulla capacità di separare senza errori i vari cluster, che in diverse applicazioni sono localizzati molto vicini tra loro, oppure risultano sovrapposti generando una non corretta classificazione.

22. Disegno di un Classificatore • Collezionare i dati • Scelta delle features • Scelta del modello • Addestramento (Training) • Valutazione • Complessità computazionale

23. Start Collezionare dati Scelta delle features Conoscenza a priori (invarianze) Scelta del modello Addestramento Del classificatore Valutazione del classificatore Fine

24. Collezionare Dati • Come facciamo a sapere quando abbiamo collezionato un adeguato e rappresentativo insieme di esempi di training e testing per il nostro sistema?

25. Scelta delle feature • Dipende dalle caratteristiche del dominio del problema. Semplici da estrarre, invarianti a trasformazioni irrilevanti e insensibili al rumore.

26. Scelta del modello • Se non siamo soddisfatti delle performance del nostro classificatore di pesci possiamo scegliere di saltare ad un’altra classe di modello.

27. Training • Usare i dati per determinare il classificatore più appropriato. Vi sono molte procedure differenti per addrestrare classificatori e scegliere diversi modelli

28. Valutazione • Misura l’errore (o le performance) e si può scegliere di passare da un insieme di feature ad un altro.

29. Complessità computazionale • Qual’é il trade-off tra facilità di calcolo e performance? • (Quanto un algoritmo è scalabile in base al numero di features, pattern o categorie?)

30. Apprendimento e Adattamento • Supervised learning • Un teacher fornisce l’etichetta della categoria o il costo per ciascun pattern nell’insieme di training (training set) • Unsupervised learning • Il sistema forma clusters o “raggruppamenti naturali” dei pattern di input