Sztuczna inteligencja w rozpoznawaniu obrazów

Slides:



Advertisements
Podobne prezentacje
Zastosowanie technologii CUDA w sztucznej inteligencji
Advertisements

Detekcja twarzy w obrazach cyfrowych
Autorzy:Ania Szczubełek Kasia Sul
Bezpieczny Internet.
Sieci neuronowe, falki jako przykłady metod analizy sygnałów
Rozwój infrastruktury sportowej w Gminie Wyszków Analiza wariantowa.
Telewizja (TV) – dziedzina telekomunikacji przekazuj ą ca ruchomy obraz oraz d ź wi ę k na odległo ść. W jednym miejscu za pomoc ą kamery telewizyjnej.
E- learning czyli nauka przez internet. E-learning E-learning łączy w sobie nauczanie na odległość oraz elastyczność czasową, bywa też łączony z tradycyjnym.
SPORZĄDZANIE PROJEKTÓW UMÓW. Inter – Group sp.k. sp. z.o.o. jest właścicielem nieruchomości, składającej się z działki gruntu zabudowanej budynkiem biurowym,
Teoria gry organizacyjnej Każdy człowiek wciąż jest uczestnikiem wielu różnych gier. Teoria gier zajmuje się wyborami podejmowanymi przez ludzi w warunkach.
2015/2016.  określenie poziomu i rodzaju aktywności dzieci  pozyskanie informacji potrzebnych do pracy nad zwiększeniem aktywności dzieci podczas zajęć.
Tydzień zdrowia i bezpieczeństwa pracy pod hasłem „Dźwigaj mniej” Październik 2007.
Dlaczego boimy się promieniotwórczości?
MAPA HYDROGRAFICZNA HALINA KLIMCZAK INSTYTUT GEODEZJ I GEOINFORMATYKI
Co potrafię w przyjaźni z komputerem?.  Z jakich elementów się składa? Z jakich elementów się składa?  Do czego służy? Do czego służy?  Jakie programy.
Autor: Kierunek: Promotor: Wykorzystanie GIS do wyznaczenia tras bezpiecznego przewozu transportu przez miasto Małgorzata Kość geodezja i kartografia dr.
TurboCAD Zintegrowany system komputerowego wspomagania projektowania
Pomiar przyspieszenia ziemskiego za pomocą piłeczki tenisowej.
Zapraszamy na naszą stronę. Zależy nam na kontakcie z Wami. Czytajcie, komentujcie i dyskutujcie na forum. Nic o Was bez Was Zapraszamy na naszą stronę.
Nasze przedszkole stwarza warunki do indywidualizacji pracy z dziećmi w zależności od ich potrzeb i możliwości, czemu służą zajęcia dodatkowe wspierające.
( 1 ( Miejska Karta Płatnicza dla Szczecina Wygoda i oszczędność Szczecin, Maj 2011.
 Informatyk jest to osoba, która wykształciła się na specjalistę w dziedzinie nowych technologii, posiadająca wiedzę i umiejętności na temat ogółu metod.
Wieloaspektowa analiza czasowo- kosztowa projektów ze szczególnym uwzględnieniem kryterium jakości rozwiązań projektowych AUTOR: ANNA MARCINKOWSKA PROMOTOR:
Bezpieczeństwo przy pracy z ciekłym azotem
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Perceptrony proste nieliniowe i wielowarstwowe © Kazimierz Duzinkiewicz, dr hab.
Mobilne Systemy wykrywania obiektów z sygnałów wizyjnych Pracę dyplomową opracował: inż. Michał Szepielak Promotor: dr inż. Krzysztof Różanowski.
Bios Justyna Niebudek i Nadia Stankiewicz. CO TO JEST BIOS ??? BIOS (akronim ang. Basic Input/Output System – podstawowy system wejścia-wyjścia) to zapisany.
Urządzenia i technologie mobilne. Tablet Mobilny komputer większy niż telefon komórkowy, którego główną właściwością jest posiadanie dużego ekranu z zastosowaną.
Promieniowanie jądrowe Faustyna Hołda Fizyka współczesna ZiIP, GiG.
Co to Internet? Internet (skrótowiec od ang. inter-network, dosłownie "między- sieć") – ogólnoświatowa sieć komputerowa, określana również jako sieć sieci.
Formalnie: Pamięci asocjacyjne Dorota Cendrowska nieformalnie: (???) To miasto było na ‘K’... Na pewno na ‘K’! (???) Mam! To było Świnoujście...
Microsoft Azure Usługi chmurowe dla nowoczesnej firmy ModernBiz 1 Firmy z sektora małych i średnich przedsiębiorstw (MŚP) potrzebują odpowiednich zasobów.
System edukacji w Polsce
Ucz i ucz się z TIK!.
Mariusz Maleszak nr albumu 6374
i otwarta platforma IT Uniwersytet Warszawski (Centrum Deliberacji IS)
ANTIAGING - SPRAWNOŚĆ PSYCHICZNA, FIZYCZNA I STALE MŁODY WYGLĄD
T. 16 e Proces DGA - opis ogólny.
Nadleśnictwo Gidle Nadleśnictwo Gidle jest najdalej położonym na północny wschód nadleśnictwem RDLP w Katowicach.
formalnie: Sieci jednokierunkowe: architektura, uczenie, zastosowania
Czy według Państwa potrzebne są w szkole zajęcia dodatkowe?
POWIERZCHNIE HANDLOWE DO WYNAJĘCIA MAJSTER MIĘDZYRZEC PODL.
„Szkolenia dla liderów na obszarach wiejskich”
Metody syntezy logicznej w zadaniach pozyskiwania wiedzy
Który system wybrać?.
Percepcja Michał Białek.
KODEKS.
Lekcja 1 – Hello World! Visual Studio, coś łatwego na początek 
ANTIAGING - SPRAWNOŚĆ PSYCHICZNA, FIZYCZNA I STALE MŁODY WYGLĄD
WOPiK Wentylacja ogólna, pożarowa i klimatyzacja
Git - system kontroli wersji
Bezpieczeństwo dostępu do danych w systemie Windows
Katedra Informatyki Stosowanej UMK
Interfejsy urządzeń peryferyjnych
Projekt do sterowania Światłem
HDF5 w zastosowaniu do DMR - inż
KOMPUTERY NASZYCH RODZICÓW I DZIADKÓW
Zmiana koła Narzędzia i urządzenia używane podczas zmiany koła w warunkach warsztatowych.
EKSPLOATACJA NIERUCHOMOŚCI - definicje
‘’Od Technika do Europejczyka. Nowe doświadczenia-większe możliwości”
REKOMENDACJE PTO, PTS, PLTR BADANIE MR U PACJENTA ORTODONTYCZNEGO
TECHNOLOGIA ROBÓT BUDOWLANYCH
Mirosław Kordos Lipiec 2015 Lipiec 2015
Inteligentne oprogramowanie z wykorzystaniem SQL Server Data Mining
WYBRANE ZAGADNIENIA PROBABILISTYKI
Specjalność: Inżynieria Dźwięku i Obrazu
Najważniejsze operacje graficzne w programie GIMP
BEZPIECZNY INTERNET Nigdy nie podawaj w Internecie swojego prawdziwego imienia i nazwiska. Posługuj się nickiem, czyli pseudonimem, internetową ksywką.
Zapis prezentacji:

Sztuczna inteligencja w rozpoznawaniu obrazów Od dopasowywania figur do sieci konwolucyjnych Mirosław Kordos grudzień 2015 Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Rozpoznawania obrazów: wzrok człowieka a sztuczna inteligencja Rozpoznawanie obrazów: wzrok człowieka a sztuczna inteligencja Metody dopasowania figur i metody inwariantne Metody ruchomego okna: Viola-Jones Problemy automatycznego kierowania pojazdami i klasyfikacji obiektów Deskryptory cech Konwolucyjne sieci neuronowe Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Rozpoznawania obrazów: wzrok człowieka a sztuczna inteligencja Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów źrodło: skabiologist.asu.edu, commons.wikimedia.org/wiki/File:Gray722-svg.svg

Rozpoznawania obrazów: wzrok człowieka a sztuczna inteligencja źrodło: skabiologist.asu.edu, commons.wikimedia.org/wiki/File:Gray722-svg.svg Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Metody dopasowania figur i metody inwariantne Rozpoznawanie obrazów: wzrok człowieka a sztuczna inteligencja Metody dopasowania figur i metody inwariantne Metody ruchomego okna: Viola-Jones Problemy automatycznego kierowania pojazdami i klasyfikacji obiektów Deskryptory cech Konwolucyjne sieci neuronowe Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Metody dopasowania figur Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Metody inwariantne słonie z Wikipedii Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów słonie z Wikipedii

Metody ruchomego okna: Viola-Jones Rozpoznawanie obrazów: wzrok człowieka a sztuczna inteligencja Metody dopasowania figur i metody inwariantne Metody ruchomego okna: Viola-Jones Problemy automatycznego kierowania pojazdami i klasyfikacji obiektów Deskryptory cech Konwolucyjne sieci neuronowe Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Metody ruchomego okna: Viola-Jones Paul Viola, Michael Jones: “Robust Real-Time Face Detection”, 2004 Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Metody ruchomego okna: Viola-Jones Paul Viola, Michael Jones: “Robust Real-Time Face Detection”, 2004 źródło: robologs.net Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Metody ruchomego okna: Viola-Jones Paul Viola, Michael Jones: “Robust Real-Time Face Detection”, 2004 Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Autonomiczne samochody i klasyfikacja obiektów Rozpoznawanie obrazów: wzrok człowieka a sztuczna inteligencja Metody dopasowania figur i metody inwariantne Metody ruchomego okna: Viola-Jones Problemy automatycznego kierowania pojazdami i klasyfikacji obiektów Deskryptory cech Konwolucyjne sieci neuronowe Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Autonomiczne samochody Rozpoznawanie obrazów w kierowaniu samochodem może służyć dwóm celom: Pomoc kierowcy w bezpiecznym prowadzeniu samochodu. Automatyczne kierowanie samochodu przez komputer. Junior z Uniwersytetu Stanford Google Self-Driving Car Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Autonomiczne samochody Rozpoznawanie obrazów w kierowaniu samochodem może służyć dwóm celom: Pomoc kierowcy w bezpiecznym prowadzeniu samochodu. Automatyczne kierowanie samochodu przez komputer. Junior z Uniwersytetu Stanford Google Self-Driving Car Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Deskryptory Cech: SIFT, SURF, FAST, V. Bag of Words, HOG Rozpoznawanie obrazów: wzrok człowieka a sztuczna inteligencja Metody dopasowania figur i metody inwariantne Metody ruchomego okna: Viola-Jones Problemy automatycznego kierowania pojazdami i klasyfikacji obiektów Deskryptory cech Konwolucyjne sieci neuronowe Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Deskryptory Cech: SIFT, SURF, FAST, V. Bag of Words, HOG 1988: Harris Corner Detector 1999: SIFT - Scale Invariant Feature Transform 2004: PCA - SIFT 2006: SURF - Speeded Up Robust Features 2006: FAST - Features from Accelerated Segment Test 2003: Visual Bag of Words 2008: HOG - Histogram of Oriented Gradients źródło: docs.opencv.org Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe Rozpoznawanie obrazów: wzrok człowieka a sztuczna inteligencja Metody dopasowania figur i metody inwariantne Metody ruchomego okna: Viola-Jones Problemy automatycznego kierowania pojazdami i klasyfikacji obiektów Deskryptory cech Konwolucyjne sieci neuronowe Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe – LeNet5 Problemy: - ręczne projektowanie cech jest słabym punktem - konieczne niskowymiarowe atrybuty ze względu na niskie moce obliczeniowe - konieczne niskowymiarowe atrybuty ze względu na małe zbiory uczące Nowe możliwości: - szybsze komputery - większe zbiory zdjęć Istniejące sieci neuronowe: - mają jednowymiarowe warstwy, co nie uwzględnia 2-wymiarowego sąsiedztwa na zdjęciach - nie zapewniają inwariantności dla skali, rotacji i przesunięcia Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Deskryptory Cech: SIFT, SURF, FAST, V. Bag of Words, HOG źródło: docs.opencv.org Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe Rozpoznawanie obrazów: wzrok człowieka a sztuczna inteligencja Metody dopasowania figur i metody inwariantne Metody ruchomego okna: Viola-Jones Problemy automatycznego kierowania pojazdami i klasyfikacji obiektów Deskryptory cech Konwolucyjne sieci neuronowe Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe – LeNet5 Problemy: - ręczne projektowanie cech jest słabym punktem - konieczne niskowymiarowe atrybuty ze względu na niskie moce obliczeniowe - konieczne niskowymiarowe atrybuty ze względu na małe zbiory uczące Nowe możliwości: - szybsze komputery - większe zbiory zdjęć Istniejące sieci neuronowe: - mają jednowymiarowe warstwy, co nie uwzględnia 2-wymiarowego sąsiedztwa na zdjęciach - nie zapewniają inwariantności dla skali, rotacji i przesunięcia Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe – LeNet5 Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe -wizualizacja źródło: stats.stackexchange.com w oparciu o artykuł Jeffrey Hintona Mirosław Kordos, grudzień 2015 źródło: yosinski.com/deepvis Sztuczna inteligencja w rozpoznawaniu obrazów

yosinski.com/deepvis Sztuczna inteligencja w rozpoznawaniu obrazów Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe – LeNet5 Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe – LeNet5 Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe – LeNet5 Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe -GoogLeNet Problemy: - rzadkie punkty na zdjęciach – rzadkie połączenia sieci - ginące gradienty przy architekturach wielowarstwowych - konieczność zmniejszenia złożoności obliczeniowej ImageNet: - 1.200.000 zdjęć - 1000 klas - błąd człowieka: ok. 5% - błąd sieci GoogLeNet: ok. 7%. Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe -GoogLeNet Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe -GoogLeNet Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Konwolucyjne sieci neuronowe -GoogLeNet Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Sztuczna inteligencja w rozpoznawaniu obrazów Mirosław Kordos, grudzień 2015 Sztuczna inteligencja w rozpoznawaniu obrazów

Sztuczna inteligencja w rozpoznawaniu obrazów Od dopasowywania figur do sieci konwolucyjnych zbiory danych, literatura i inne materiały wykorzystane w prezentacji: www.kordos.com/pw Mirosław Kordos grudzień 2015 Sprzęt i oprogramowanie użyte do wykonania prezentacji: Intel Core i7, 16GB RAM, Windows 8.1, Power Point 2010, Camtasia Studio 8.6, Audacity 2.1.1, mikrofon ATR2100, kamera Sony a6000