DIP + CV Bevezető II.

1. DIP + CVBevezető II. Vámossy Zoltán 2004 (H. Niemann: Pattern Analysis and Understanding, Springer, 1990)

2. Alapfogalmak

3. Környezet (enviroment) • Függvények formájában leírhatunk tárgyakat, eseményeket, történéseket • A fizikai mennyiségeket szenzorokkal mérjük

4. Feladat tartomány (task domain) • Környezet része – csak ami érdekel az adott feladat esetén • A dimenziókat rögzítjük (végtelen sok fgv. ez is) • Pl.: tengerszínt egy földrajzi koordinátában, vagyszélsebesség adott helyen

5. Minta (pattern) • Feladat tartomány egy eleme, ezért egy fgv. • Szürke árnyalatú kép • Példa: beszéd f(t): r0=1, n0=1

6. Mintafelismerés (pattern recognition) • A tényekről alkotott logikai képek automatikus származtatásának matematikai és műszaki kérdéseivel foglalkozik.

7. I. Osztályozás, egyszerű mintáké (Classification of simple patterns) • Minden mintát megvizsgálva, azt önálló egységnek tekintve, a többi mintától függetlenül besorolunk valamely k osztályba (véges sok!), ahol elutasított elemek osztálya • Pl.: OCR A, a, A, A

8. Minta osztályozás (pattern classification) • Hányadik, melyik osztályba tartozik? • Pl.: A – Z karakterek és nem felismerteknek egy-egy osztály

9. Egyszerű minta (simple pattern) • Egy mintát egyszerűnek tekintünk, ha a felhasználó csak az osztály neve iránt érdeklődik és az osztály elemeit azonosnak tekintik • Pl.. “1”-esek (1, 1, 1) – ami közös bennük az a fontos • Pl.: Szatellit kép: erdő, utca, város, víz

10. II. Minta analízis (pattern analysis) • Komplex (nem egyszerű) minták elemzésekor minden mintához hozzárendelünk egy szimbolikus leírást: Br Pl.: áramköri rajzon az elemek és a kapcsolatuk

11. Analízis céljai • A minta teljes szimbolikus leírása (* lásd köv.) egy adott absztrakciós szinten. • Bizonyos a felhasználót érdeklő események vagy tárgyak listája, amelyek a mintában előfordulhatnak. (pl.: van-e ember?) • A változások leírása amelyek a minta ismétlődő regisztrálásakor felléphetnek. (pl.: biztonsági rendszer) • Komplex minta klasszifikálása. (pl.: RTG egészséges, vagy sem)

12. Leírás (description) • Egy minta leírása a minta egyszerűbb alkotórészekre (pattern primitives = segmentation objects) való felbontását jelenti, az alkotórészek kapcsolataival, a tárgyak, események vagy szituációk szimbolikus névvel való azonosításával.

13. Teljes szimbolikus leírás • A mintát egy másik reprezentációban adja meg, amely további feldolgozásra alkalmassá teszi. (Csökkenti az információ mennyiségét és a bizonyos szempontból hangsúlyoz).

14. III. Megértés (Understanding) • (nem pszichológiai, nem filozófiai) Ha egy gép képes az alkalmas szenzor által szolgáltatott mintát a feladat tartományt reprezentáló belső szimbolikus tudásstruktúrára leképezni, akkor azt mondjuk, hogy a gép megérti a mintát.

15. Összefoglalás, 3 fő irány • Felismerés – osztályozás • Analízis – jellemzők kapcsolata • Megértés – mi a cél? Miért?

16. Axiómák, posztulátumok • Egy feladat tartományról információt akkor gyűjthetünk, ha típusú reprezentatív minták halmaza áll rendelkezésre (sok és jó minta: pl. milyen a szép “1”) • Az egyszerű mintáknak olyan tulajdonságai vannak, melyek az osztályhoz tartozását eldöntik. Egy ilyen tulajdonság neve: feature. • Egy osztályhoz tartozó minták tulajdonságai, a tulajdonságok terében hasonlítanak egymásra. Különböző osztályok a tulajdonságok alapján szétválaszthatóak (létezik mérték).(Klasszifikációs rendszer sémája) • Egy komplex minta egyszerűbb alkotó részekből (pattern primitives) áll, amelyek egymással kapcsolatban vannak. A minta ezen alkotórészekre felbontható. E folyamat a szegmentálás. • A feladattartomány egy komplex mintája struktúrával rendelkezik (nem csak egyszerű halmaza az alkotórészeknek). A minták többsége relatíve kevés alkotórésszel reprezentálható. • Két reprezentáció hasonló, ha távolságuk egy alkalmas metrika szerint kicsi.