Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 SVM cz.2.

Podobne prezentacje


Prezentacja na temat: "Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 SVM cz.2."— Zapis prezentacji:

1 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 SVM cz.2

2 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Plan wykładu Przypomnienie i demonstracja Klasyfikacja wieloklasowa Zastosowania w rozpoznawaniu twarzy

3 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 SVM jako klasyfikator Cel: możliwość przyporządkowania elementu do jednej z klas Dwa etapy: nauka klasyfikacja próbek

4 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 SVM – charakterystyka Rozwiązywanie problemów separowalnych liniowo Zwiększenie liczby wymiarów danych wejściowych Znajdowanie optymalnej hiperpłaszczyzny maksymalizacja marginesu rozdzielającego próbki

5 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Dodanie wymiarów Funkcja: Konieczna zamiana x (x) Wykorzystywany iloczyn skalarny Iloczyn skalarny = jądro przekształcenia Zbędna znajomość funkcji

6 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Jądra przekształceń Liniowe Wielomianowe RBF (radial basis functions)

7 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Hiperpłaszczyzna Optymalna hiperpłaszczyzna: w 0 x + b 0 = 0 dla przykładu 2D jest to prosta Optymalna szerokość marginesu:

8 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Wektory wspierające Margines: Optymalna hiperpłaszczyzna: y i – identyfikator klasy i – mnożniki Lagrangea Problem: znaleźć i

9 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Rezultat optymalizacji Współczynniki : niezerowe dla wektorów wspierających równe zeru dla reszty wektorów Próbka treningowa po nauce: wektory wspierające współczynniki dla każdego wektora liczba wektorów zdecydowanie mniejsza

10 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Nauka 1... n

11 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Klasyfikacja SVM Obliczenie y dla dowolnego wektora: x r, x s – wektory wspierające z obydwu klas Wybór klasy i moc przynależności

12 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Miękki margines Nauka z błędem: Minimalizacja liczby błędów Modyfikacja optymalizowanej funkcji Parametr C: 1/C – tolerancja błędu

13 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Bez miękkiego marginesu Maksymalizacja funkcji:

14 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Z miękkim marginesem Maksymalizacja funkcji:

15 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Prezentacja...

16 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Klasyfikacja wieloklasowa Przedstawienie problemu

17 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Klasyfikacja wieloklasowa Punkt wyjścia – klasyfikacja dwuklasowa Próbka treningowa – N klas Możliwe podejścia: wykorzystanie klasy bazowej porównywanie 1 – N porównywanie 1 – 1

18 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Metoda klasy bazowej Jedna z klas traktowana jako klasa bazowa Klasyfikacja każdej z klas z wybraną klasą bazową Wygrywa najmocniejsza odpowiedź Klasyfikacja wieloklasowa: N – 1 klasyfikacji dwuklasowych

19 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Przykład...

20 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Przykład...

21 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Przykład...

22 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Przykład...

23 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Przykład...

24 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Cechy metody Zalety: duża szybkość skuteczna dla łatwo separowalnych klas niebazowych Wady: słabe możliwości separowania klas niebazowych

25 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Porównywanie 1 – N Każda klasa porównywana z resztą Decyduje najsilniejsza odpowiedź Porównanie z metodą klasy bazowej: Bardziej uniwersalne podejście Porównywalna szybkość

26 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Przykład...

27 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Porównywanie 1 – 1 Każda klasa porównywana z każdą Największa dokładność N(N – 1)/2 klasyfikacji dwuklasowych Niektóre porównania są nadmiarowe

28 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Zastosowania SVM Detekcja i weryfikacja Porównywanie wektorów cech Łączenie wyników Inne zastosowania związane z klasyfikacją wektorów

29 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Detekcja twarzy Wykrywanie elips uogólniona Transformata Hougha zbiór kandydatów na twarze Wstępna normalizacja kandydatów Weryfikacja porównywanie obrazu ze średnim zastosowanie klasyfikatora (SVM)

30 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Porównywanie wektorów Cel: określenie podobieństwa wektorów cech Odległość dwóch wektorów: Euklidesowa Mahalanobisa SVM określa podobieństwo: dwóch wektorów wektora będącego różnicą porównywanych wektorów K1 1 K1 2 K1 n... K2 1 K2 2 K2 n...

31 K1 1 K1 2 K1 n... K2 1 K2 2 K2 n... SVM Ta sama klasa Różne klasy

32 SVM Ta sama klasa Różne klasy K1 1 - K K1 2 - K2 2 K1 n - K2 n

33 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Łączenie metod Wiele metod ekstrakcji cech S1S1 S2S2 SnSn... S K1K1 K2K2 KnKn Dwa obrazyWektory cechPodobieństwa K1K1 K2K2 KnKn...

34 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 SVM i łączenie metod Klasyfikacja wektora podobieństw jądro liniowe jądro wielomianowe długi czas wykonania Wykorzystanie treningu z jądrem liniowym wagi dla poszczególnych elementów obliczanie średniej ważonej

35 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Inne zastosowania SVM Detekcja kąta obrotu głowy Wyznaczanie kierunku padania światła Określanie pewności rozpoznania klasyfikacja wektora posortowanych podobieństw do elementów bazy Ocena jakości obrazu twarzy zastosowanie przy sekwencjach video

36 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Wyniki Znaczna poprawa dla metody opartej o Gabor Wavelets Brak zadowalających rezultatów dla Eigenfaces prawdopodobna przyczyna: niereprezentatywna próbka

37 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Ograniczenia SVM Stała, stosunkowo mała liczba klas Zbiór treningowy: potrzebna duża ilość danych próbki muszą być reprezentatywne! Ciężko dobrać optymalne parametry

38 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 SVM i sieci neuronowe SVM: bardziej przejrzysty mechanizm większa kontrola niż w przypadku ANN implementuje podstawowe rodzaje ANN przydatny do przetwarzania obrazów ANN: więcej zastosowań możliwa realizacja sprzętowa

39 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Podsumowanie Klasyfikacja wieloklasowa: kilka możliwości różna złożoność czasowa SVM – bardzo uniwersalny mechanizm Szerokie zastosowanie

40 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Dziękuję za uwagę!


Pobierz ppt "Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 SVM cz.2."

Podobne prezentacje


Reklamy Google