Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouMaria de Fátima Valverde Rocha Alterado mais de 7 anos atrás
1
Tópicos em Visão Computacional e Reconhecimento de Padrões Dr. Hemerson Pistori Grupo de Pesquisa em Engenharia e Computação – GPEC Universidade Católica Dom Bosco - UCDB
2
Sumário Visão geral e áreas correlatas Aplicações (desenvolvidas pelo GPEC) Arquitetura de de um sistema de visão computacional Tópicos em Visão Computacional Tópicos em Reconhecimento de Padrões Demonstração Conclusão
3
Visão Geral Inteligência Artificial Processamento Digital de Imagens Visão Computacional (VC) Aprendizagem Automática Computação Gráfica Reconheciment o de Padrões (RP) RP: Identificação ou classificação de “objetos” ou “coisas” (Faces, expressões, voz, sons, bases, comportamento, textos, etc) VC: Interpretação e reação a partir de imagens (Filmes, fotos, imagens de satélite, raio-x, tomografia, etc)
4
Classificação de Couro Bovino www.gpec.ucdb.br/dtcouro Grupon Fora do Grupon D1 - 200cm 2 D2 - 173cm 2 D3 - 15cm 2 D4 - 87cm 2 fazenda frigorífico curtume
5
Identificação de Comportamento Animal www.gpec.ucdb.br/topolino
6
Interação Homem-Máquina www.gpec.ucdb.br/sigus
7
Monitoramento de Bioensaios http://www.vims.edu/pfiesteria/ Patten et Alli (UNR e Verdia Inc.)
8
Arquitetura de Sistema de VC CapturaPré-processamentoSegmentaçãoRastreamento Extração Atrib.Seleção Atrib. Aprendizagem Classificação F.1 F.2 F.2 > 3.6 [0.2 0.1 40 30 0.2] Vertical
9
Tópicos em Visão Computacional Espaços de Cores e Histogramas Pré-processamento Segmentação Atributos de Textura Atributos de Forma Vetores de Atributos e Espaço Vetorial
10
Imagens Coloridas RGB HSB imagej
11
Imagens e Funções Bidimensionais SurfacePlo t
12
Histogramas Color Inspector 3D Álgebra – Espaços Vetoriais
13
Pré-Processamento
14
Gradiente – Cálculo Diferencial - Variação
15
Segmentação Wetblue leather defects Artemis counting
16
Atributos baseados em Textura Images and results from Mikaël Rousson, Thomas Brox and Rachid Deriche (INRIA)
17
Atributos Baseados em Forma Image Moments = 88 o v1v1 v2v2 v2v2 v1v1 v3v3 v4v4 v4v4 v3v3 = 38 o Excentricidade – Razão Invariância à Rotação, Translação e Escala A B B B
18
Vetores de Atributos e Espaços Vetoriais x = [230 221 222 353 4 90 0.12 0.5]' Red Green Blue Hue Sat. Value Freq45 o Freq.90 o x = [0.2 430 0.4 0.2...]' Excen. Perimeter Curv.Hist.0-10 Curv.Hist.40-50....
19
Rastreamento – Filtros Preditivos Assuntos Relacionados: Modelos de Markov Ocultos, Campos Aleatórios de Markov, Redes Bayesianas, Filtros de Kalman, Filtros de Partículas, etc Modelos de Observação + Modelos de Dinâmica Observação + Previsão Contínuo X Discreto, Paramétrico X Não-Paramétrico, Linear X Não Linear
20
Métodos de Monte-Carlo Exemplo: Calculando Pi - Dardos Total que atinge quadrado Total que atinge semi-círculo
21
Tópicos em Reconhecimento de Padrões Abordagem da Aprendizagem Estatística Estimação de Máxima Verossimilhança Modelos Paramétricos X Não-Paramétricos Modelos de Mistura de Gaussianas Métodos Iterativos para Estimação de Modelos Redução de Dimensionalidade – PCA e FLDA
22
Aprendizagem Estatística 1 : Carrapatos 2 : Estrias 3 : Mosca 1 : Horiz. 2 : Vert. Problema de Classificação em 3 Classes2 Classes j : Classe j x : Vetor de atributos p( j | x) : Prob. a posteriori de j p(x | j ) : Verossimilhança of j p( j ) : Prob. a priori de j p(x) : Prob. de x (evidência) Decisão Bayesiana
23
Aprendizagem de Modelos Gaussianos p(x | 1 ) p(x | 2 ) p(x | 1 ) Estimativa de Máxima Verossimilhança
24
Modelos Paramétricos X Não Paramétricos
25
Mistura de Modelos Gaussianos
26
Métodos Iterativos de Estimação E.M. - Expectation-Maximization
27
Redução de Dimensão - PCA v v é um autovetor associado ao maior autovalor da matriz de variância e covariância dos pontos
28
Redução de Dimensão - FLDA
29
Informações Adicionais www2.acad.ucdb.br/pistori
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.