Padrões de Reconhecimento Débora Ap. Rodrigues Chagas

1. Instituto Tecnológico da Aeronáutica – ITAEE-09 Inteligência ArtificialProf. Adilson Marques da Cunha Padrões de Reconhecimento Débora Ap. Rodrigues Chagas

2. Roteiro • Introdução • Objetivo • O que é • Relações • Métodos • Aplicações • Exemplos • Conclusão

3. Introdução • A habilidade do ser humano em reconhecer e classificar objetos sempre impressionou e continua a impressionar os cientistas. • Desde os primórdios da computação, a tarefa de implementar algoritmos emulando essa capacidade humana, tem-se apresentado como a mais intrigante e desafiadora !

4. Objetivo • Descrever o que é, e como funciona o Reconhecimento de Padrões e como ele utiliza a Inteligência Artificial – IA.

5. O que é • O Reconhecimento de Padrões (RP) é a ciência que trata da classificação e descrição de objetos. • Um projeto de RP envolve normalmente:   • Extração de características dos objetos a classificar (ou a descrever);   • Seleção das características mais discriminativas;  • Construção de um classificador (ou descritor). 

6. Relações • São múltiplas e importantes as relações de RP com outras disciplinas, em particular da área da Informática: • Processamento de sinal e imagem • Teoria da Otimização e da Estimação • Inteligência Artificial • Aprendizagem Automática (machine learning) • Mineração de Dados (data mining and knowledge discovery) • Sistemas Adaptativos • Modelagem Neuronal (artificial neural networks) • Teoria dos Autômatos • Conjuntos Difusos (fuzzy sets) • Modelagem Estrutural • Linguagens formais

7. Métodos • Conforme o tipo de objetos a classificar (ou descrever) o projeto de RP usa algum (ou alguns) dos seguintes principais  métodos ou abordagens: • Abordagem estatística: A abordagem clássica, historicamente mais antiga, denominada por "Teoria da Decisão". Assume que as características das classes se regem por determinados modelos probabilísticos. • Abordagem sintática: Procura descrever a estrutura dos padrões usando inter-relações de características descritoras básicas denominadas primitivas. • Abordagem neuronal: Abordagem tipo "caixa negra" que procura determinar um mapeamento ótimo entre entradas e saídas inspirando-se em modelos de neurônios do cérebro. • Abordagem difusa: Abordagem que tem em conta o grau de incerteza por vezes inerente a características e a classificações, usando a Teoria dos conjuntos difusos para modelar esse grau de incerteza. • Existem ainda outras abordagens, com parentesco com alguma das anteriores.

8. Aplicações • Classificação de dados, reconhecimento e descrição de objetos, análise de cenas são tarefas importantes em muitas aplicações de software (e também de hardware). • As técnicas de Reconhecimento de Padrões têm, assim, um vasto leque de aplicações num grande número de áreas científicas e tecnológicas, nomeadamente no projeto e desenvolvimento de sistemas inteligentes, que constituem o cerne do investimento tecnológico atual. 

9. Exemplo 01:Análise e Classificação de Sinais • Reconhecimento de formas de onda e diagnóstico de sinais eletrocardiográficos. • Os diversos componentes de um sinal eletrocardiográfico são reconhecidos e medidos (a figura  ilustra o reconhecimento automático das ondas P, Q, R, S e T). As medições são usadas para classificar (diagnosticar) os sinais. Abordagens sintáticas e estatísticas são apropriadas a este tipo de problema

10. Exemplo 02:Análise e Classificação de Imagens • Classificação automática de rolhas. • As imagens das rolhas são obtidas e processadas por forma a realçar claramente os defeitos. A partir de imagens a preto e branco, mostrando os defeitos, são obtidas medições que permitem categorizar as rolhas, usando um classificador estatístico. O classificador é treinado com vista a emular o perito humano.

11. Exemplo 03:Análise e Classificação de Dados • Previsão de peso fetal   • A previsão do peso fetal com base em medidas ecográficas (dimensão do cérebro, fêmur, etc.) é importante para avaliar o risco de um parto. A figura ilustra as previsões obtidas com uma rede neuronal (vermelho), face aos valores reais (azul). As previsões obtidas com a rede neuronal são superiores às obtidas com fórmulas de regressão popularizadas. Existe trabalho em curso com vista a aumentar a eficiência desta abordagem.

12. Exemplo 04:Reconhecimento de Caracteres • O reconhecimento de caracteres é um tema clássico de RP. Suponhamos que desejávamos projetar uma máquina-percepção capaz de discriminar automaticamente Us de Vs, usando uma regra simples, linear, de classificação. Considerando que os Us e Vs estejam desenhados numa grelha de 8x7, conforme ilustra a figura (supõe-se que as imagens foram binarizadas):

13. Exemplo 04 (Continuação):Reconhecimento de Caracteres • Efetuando a soma dos bits segundo as linhas e as colunas da grelha obtêm-se as "projeções" (resp. H1 a H8 e V1 a V7) indicadas em azul na figura. Estas projeções sugerem as seguintes características como potencialmente úteis na discriminação de U's de Vs (outras escolhas são possíveis): x1 = (V1+V2+V6+V7) / (V3+V4+V5) x2 = (H7+H8) / (H1+H2+H3+H4+H5+H6) • A um conjunto (dito de treino) de Us e Vs podemos agora aplicar um percepção adaptativo linear (adaline), com o objetivo de encontrar a reta ótima de separação de Us e Vs no espaço bidimensional das características x e y. O percepção tem a seguinte estrutura:

14. Exemplo 04 (Continuação):Reconhecimento de Caracteres • A classificação em duas classes um objeto qualquer, representado pelo vetor de características x = [x1 x2 ... xd]', exprime-se da seguinte forma:  Resposta = w1x1+w2x2+...+wdxd+wd+1 Resposta >=0 : atribui à Classe 1                (Saída=1,    p. ex.) Resposta < 0  : atribui à Classe 2                (Saída=-1,   p. ex.)  • Trata-se, portanto, de um classificador linear em que a superfície de decisão é um hiperplano (para um dos lados está a classe 1; para o outro a classe 2). Podemos discriminar mais de duas classes usando vários percepções.  No exemplo da separação de Us de Vs usamos duas características (d=2): a superfície de decisão é uma reta. • A percepção começa por usar uma superfície de decisão arbitrária (pesos aleatórios, p. ex.) e "aprende" uma regra de classificação usando iterativamente as entradas (características dos objetos do conjunto de treino), ajustando os pesos com vista a obter à saída a classificação correta. Na iteração k os pesos (wk) são adaptados segundo o princípio de "punição-recompensa" (um dos princípios de aprendizagem artificial mais popularizados): Punição:(Resposta errada) Se objeto Î Classe 1 e Resposta    :        wk  =  wk-1 + cxk-1 Se objeto Î Classe 2 e Resposta  : wk  =  wk-1 - cxk1 (c: fator corretivo) Recompensa:(Resposta correta) wk  =  wk-1 • Se as classes são linearmente separáveis o processo de aprendizagem para quando se alcança um hiperplano separador. Caso contrário o hiperplano irá oscilar próximo da fronteira entre as classes.

15. Conclusão • Hoje em dia os sistemas de Reconhecimento de Padrões vem sendo aplicado para resolver problemas que apenas o ser humano conseguia resolver.