Reconhecimento de Padr

1
Reconhecimento de PadrõesIntrodução
Universidade Federal de Ouro Preto
(UFOP) Programa de Pós-Graduação em Ciência da
Computação (PPGCC)

• David Menotti
• www.decom.ufop.br/menotti

2
Objetivos

• Introduzir os conceito básicos de reconhecimento
  de padrões por meio de um exemplo de um sistema
  de classificação clássico.

3
Introdução

• Pense em ações simples que realizamos no nosso
  dia-a-dia, e na complexidade envolvida, como por
  exemplo

4
Introdução
Ler um jornal Diferentes Fontes, Figuras,
Gráficos, Ilustrações, etc...
5
Introdução

• Agora imagine como implementar essas simples
  ações em um sistema de computador!
• Complicado?
• O que seria necessário?
• Adquirir a imagem, ler, entender (classificar),
  tomar uma ação.

6
Introdução

• Diferentes abordagem para Reconhecimento de
  Padrões.
• Estatística
• Estrutural
• Sintática

7
Um Exemplo

• Para ilustrar a complexidade desse tipo de
  sistema, considere o seguinte exemplo
• Uma indústria recebe dois tipos de peixe Salmão
  e Robalo. Os peixes são recebido em uma esteira,
  e o processo de classificação é manual.
• A industria gostaria de automatizar esse
  processo, usando para isso uma câmera CCD.

8
Um Exemplo (cont)
9
Um Exemplo (cont)

• Primeiramente devemos encontrar as
  características que distinguem um salmão de um
  robalo.
• Altura, largura, coloração, posição da boca,
  etc...
• Características (Features) Qualquer medida que
  se possa extrair de um determinado objeto.

10
Um Exemplo (cont)

• Características podem ser
• Simbólicas.
• Numéricas (Continuas ou binárias).
• Ruídos (Erros)
• Conceito originário da teoria das comunicações
• Podem estar presente no objeto.
• Uma mancha no peixe, por exemplo.
• Devidos ao sistema de aquisição.
• Iluminação por exemplo.

11
Um Exemplo (cont)

• Dado as diferenças entre as populações de Salmão
  e Robalo, podemos dizer que cada uma possui um
  modelo específico.
• Modelo Um descritor, geralmente representado
  através de uma função matemática.
• Bom modelo é capaz de absorver ruídos.

12
Sistema Clássico
Aquisição
Pré-Processamento
Segmentação
Extração de Características
Classificação
Salmão
Robalo
13
Sistema Clássico Pré-processamento

• Simplificação do sinal capturado pela câmera.
• Ex Eliminação de alguns ruídos.
• Processamento digital de imagens.
• Tornar os processos subsequentes mais simples e
  rápidos.

14
Sistema Clássico Segmentação

• Isolar os objetos de interesse na imagem.
• No nosso exemplo, encontrar o que é peixe e o que
  não é peixe.
• Processamento Digital de Imagens
• Filtros, morfologia matemática, etc...

15
Sistema Clássico Segmentação

• Segundo nível de segmentação.
• Encontrar e segmentar os objetos de interesse
  detectados na primeira fase da segmentação.

16
Sistema Clássico Extração de Características

• A imagem do objeto de interesse é enviada para o
  módulo de extração de características.
• Reduzir a complexidade através da extração de
  certas características ou propriedades.

17
Sistema Clássico Classificação

• As características (valores) são passadas para o
  classificador, o qual toma uma decisão
• No nosso exemplo Salmão ou Robalo.
• Mas que tipo de características devemos usar?

18
Conceitos básicos de classificação

• Suponha que alguém nos diga que
• Robalos geralmente são maiores que salmões.
• Isso nos dá uma direção para modelar nosso
  problema, ou seja,
• Se o peixe ultrapassa um tamanho t, então ele é
  um robalo, caso contrário, é um salmão.
• Mas como determinar t ??

19
Conceitos básicos de classificação

• Podemos selecionar alguns exemplares (base de
  treinamento) de peixe e verificar seus tamanhos.
• Suponha que após analisarmos nossa base de
  treinamento, tenhamos os seguintes histogramas

20
Conceitos básicos de classificação
Usando somente a medida de tamanho, não
podemos separar de maneira confiável nossas duas
classes de peixes. Portanto, devemos tentar
outras características.
t
21
Conceitos básicos de classificação
salmão
robalo
Como podemos notar, essa característica é muito
mais confiável, mas não é perfeita.
Robalos que serão classificados como salmão.
Noção de CUSTO
x
Outra característica Medida de Claridade
(coloração)
22
Conceitos básicos de classificação

• Suponha que os clientes da nossa indústria
  aceitem um pedaço de salmão embalado junto com
  robalo, mas o contrário é inaceitável.
• Devemos então alterar nossa fronteira para que
  isso não aconteça.

23
Conceitos básicos de classificação
salmão
robalo
Custo maior, uma vez que mais salmões serão
classificados como robalos
x
Erro Bayesiano
24
Conceitos básicos de classificação

• Isso sugere que existe um custo associado com a
  nossa decisão.
• Nossa tarefa consiste em encontrar uma regra de
  decisão que minimize o custo.
• Isso é o papel central da Teoria da Decisão.
• Também pode ser visto como um problema de
  otimização.

25
Conceitos básicos de classificação

• Como minimizar o custo?
• Buscar outras características.
• Suponha que a claridade seja a melhor.
• Podemos utilizar duas características ao mesmo
  tempo.

Vetor de características bi-dimensional.
26
Conceitos básicos de classificação
Nossa base de treinamento em um gráfico de
dispersão
27
Conceitos básicos de classificação

• Nosso problema consiste em encontrar a fronteira
  de decisão que minimize o custo.
• Modelo mais simples
• Separação linear, y axb
• Algoritmos tradicionais
• Perceptron, Funções Discriminantes Lineares.

28
Conceitos básicos de classificação
29
Conceitos básicos de classificação

• Essa regra fornece uma boa fronteira de decisão,
  entretanto pode ser melhorada.
• Adicionar mais características, como por exemplo,
  dimensões do peixe, posição relativa dos olhos,
  etc..., poderiam ajudar.
• Quanto mais características, mais base de
  treinamento será necessária.
• Maldição da dimensionalidade.

30
Conceitos básicos de classificação

• Suponha que não dispomos de mais características.
• Solução
• Construir um modelo mais complexo do que um
  modelo linear.

31
Conceitos básicos de classificação
Fronteira muito mais complexa. Separação perfeita!
Um exemplo (salmão) de teste
32
Conceitos básicos de classificação

• Apesar de complexo, esse modelo é pior do que o
  modelo linear.
• A principal característica de um modelo deve ser
  a sua capacidade de generalizar.
• Modelos muito complexos geralmente não
  generalizam bem, pois decoram a base de
  treinamento (over-fitting).

33
Conceitos básicos de classificação

• Por outro lado, modelos muito simples tendem a
  generalizar demais (under-fitting).
• Na aprendizagem de máquina, veremos técnicas para
  evitar over- e under-fitting, ou seja, construir
  fronteiras de decisão nem tão simples e nem tão
  complexas.

34
Conceitos básicos de classificação
35
Taxas

• Um sistema pode ser avaliado usando diferente
  taxas.
• A mais comuns são
• Taxa de rec (N_rec/Total_Img) 100
• Taxa de Erro (N_err/Total_Img) 100
• Taxa de Rej N_rej/Total_img) 100
• Confiabilidade (Taxa de Rec / (Taxa Rec Taxa
  de Erro)) 100

36
Exercício

• Planeje um sistema que inspecione automaticamente
  uma linha de produção de biscoitos. Os seguintes
  aspectos devem ser observados
• Forma (redondo) e tamanho (2cm de raio).
• Integridade (Quebrado, mordido, etc)
• Quantidade de recheio (pelo menos 3 marcas de
  chocolate).
• Considere todos os aspectos, desde a aquisição da
  imagem até a classificação.

37
(No Transcript)