Padrões de Reconhecimento Débora Ap. Rodrigues Chagas

Apresentação em tema: "Padrões de Reconhecimento Débora Ap. Rodrigues Chagas"— Transcrição da apresentação:

1 Padrões de Reconhecimento Débora Ap. Rodrigues Chagas
Instituto Tecnológico da Aeronáutica – ITA EE-09 Inteligência Artificial Prof. Adilson Marques da Cunha Padrões de Reconhecimento Débora Ap. Rodrigues Chagas

2 Roteiro Introdução Objetivo O que é Relações Métodos Aplicações
Exemplos Conclusão

3 Introdução A habilidade do ser humano em reconhecer e classificar objetos sempre impressionou e continua a impressionar os cientistas. Desde os primórdios da computação, a tarefa de implementar algoritmos emulando essa capacidade humana, tem-se apresentado como a mais intrigante e desafiadora !

4 Objetivo Descrever o que é, e como funciona o Reconhecimento de Padrões e como ele utiliza a Inteligência Artificial – IA.

5 O que é O Reconhecimento de Padrões (RP) é a ciência que trata da classificação e descrição de objetos. Um projeto de RP envolve normalmente:   Extração de características dos objetos a classificar (ou a descrever);   Seleção das características mais discriminativas;  Construção de um classificador (ou descritor). 

6 Relações São múltiplas e importantes as relações de RP com outras disciplinas, em particular da área da Informática: Processamento de sinal e imagem Teoria da Otimização e da Estimação Inteligência Artificial Aprendizagem Automática (machine learning) Mineração de Dados (data mining and knowledge discovery) Sistemas Adaptativos Modelagem Neuronal (artificial neural networks) Teoria dos Autômatos Conjuntos Difusos (fuzzy sets) Modelagem Estrutural Linguagens formais

7 Métodos Conforme o tipo de objetos a classificar (ou descrever) o projeto de RP usa algum (ou alguns) dos seguintes principais  métodos ou abordagens: Abordagem estatística: A abordagem clássica, historicamente mais antiga, denominada por "Teoria da Decisão". Assume que as características das classes se regem por determinados modelos probabilísticos. Abordagem sintática: Procura descrever a estrutura dos padrões usando inter-relações de características descritoras básicas denominadas primitivas. Abordagem neuronal: Abordagem tipo "caixa negra" que procura determinar um mapeamento ótimo entre entradas e saídas inspirando-se em modelos de neurônios do cérebro. Abordagem difusa: Abordagem que tem em conta o grau de incerteza por vezes inerente a características e a classificações, usando a Teoria dos conjuntos difusos para modelar esse grau de incerteza. Existem ainda outras abordagens, com parentesco com alguma das anteriores.

8 Aplicações Classificação de dados, reconhecimento e descrição de objetos, análise de cenas são tarefas importantes em muitas aplicações de software (e também de hardware). As técnicas de Reconhecimento de Padrões têm, assim, um vasto leque de aplicações num grande número de áreas científicas e tecnológicas, nomeadamente no projeto e desenvolvimento de sistemas inteligentes, que constituem o cerne do investimento tecnológico atual. 

9 Exemplo 01: Análise e Classificação de Sinais
Reconhecimento de formas de onda e diagnóstico de sinais eletrocardiográficos. Os diversos componentes de um sinal eletrocardiográfico são reconhecidos e medidos (a figura  ilustra o reconhecimento automático das ondas P, Q, R, S e T). As medições são usadas para classificar (diagnosticar) os sinais. Abordagens sintáticas e estatísticas são apropriadas a este tipo de problema

10 Exemplo 02: Análise e Classificação de Imagens
Classificação automática de rolhas. As imagens das rolhas são obtidas e processadas por forma a realçar claramente os defeitos. A partir de imagens a preto e branco, mostrando os defeitos, são obtidas medições que permitem categorizar as rolhas, usando um classificador estatístico. O classificador é treinado com vista a emular o perito humano.

11 Exemplo 03: Análise e Classificação de Dados
Previsão de peso fetal     A previsão do peso fetal com base em medidas ecográficas (dimensão do cérebro, fêmur, etc.) é importante para avaliar o risco de um parto. A figura ilustra as previsões obtidas com uma rede neuronal (vermelho), face aos valores reais (azul). As previsões obtidas com a rede neuronal são superiores às obtidas com fórmulas de regressão popularizadas. Existe trabalho em curso com vista a aumentar a eficiência desta abordagem.

12 Exemplo 04: Reconhecimento de Caracteres
O reconhecimento de caracteres é um tema clássico de RP. Suponhamos que desejávamos projetar uma máquina-percepção capaz de discriminar automaticamente Us de Vs, usando uma regra simples, linear, de classificação. Considerando que os Us e Vs estejam desenhados numa grelha de 8x7, conforme ilustra a figura (supõe-se que as imagens foram binarizadas):

13 Exemplo 04 (Continuação): Reconhecimento de Caracteres
Efetuando a soma dos bits segundo as linhas e as colunas da grelha obtêm-se as "projeções" (resp. H1 a H8 e V1 a V7) indicadas em azul na figura. Estas projeções sugerem as seguintes características como potencialmente úteis na discriminação de U's de Vs (outras escolhas são possíveis):  x1 = (V1+V2+V6+V7) / (V3+V4+V5) x2 = (H7+H8) / (H1+H2+H3+H4+H5+H6)  A um conjunto (dito de treino) de Us e Vs podemos agora aplicar um percepção adaptativo linear (adaline), com o objetivo de encontrar a reta ótima de separação de Us e Vs no espaço bidimensional das características x e y. O percepção tem a seguinte estrutura:

14 Exemplo 04 (Continuação): Reconhecimento de Caracteres
A classificação em duas classes um objeto qualquer, representado pelo vetor de características x = [x1 x2 ... xd]', exprime-se da seguinte forma:  Resposta = w1x1+w2x2+...+wdxd+wd+1 Resposta >=0 : atribui à Classe 1                (Saída=1,    p. ex.) Resposta < 0  : atribui à Classe 2                (Saída=-1,   p. ex.)  Trata-se, portanto, de um classificador linear em que a superfície de decisão é um hiperplano (para um dos lados está a classe 1; para o outro a classe 2). Podemos discriminar mais de duas classes usando vários percepções.  No exemplo da separação de Us de Vs usamos duas características (d=2): a superfície de decisão é uma reta.  A percepção começa por usar uma superfície de decisão arbitrária (pesos aleatórios, p. ex.) e "aprende" uma regra de classificação usando iterativamente as entradas (características dos objetos do conjunto de treino), ajustando os pesos com vista a obter à saída a classificação correta. Na iteração k os pesos (wk) são adaptados segundo o princípio de "punição-recompensa" (um dos princípios de aprendizagem artificial mais popularizados): Punição:(Resposta errada) Se objeto Î Classe 1 e Resposta    :        wk  =  wk-1 + cxk-1 Se objeto Î Classe 2 e Resposta  : wk  =  wk-1 - cxk1 (c: fator corretivo)  Recompensa:(Resposta correta) wk  =  wk-1  Se as classes são linearmente separáveis o processo de aprendizagem para quando se alcança um hiperplano separador. Caso contrário o hiperplano irá oscilar próximo da fronteira entre as classes.

15 Conclusão Hoje em dia os sistemas de Reconhecimento de Padrões vem sendo aplicado para resolver problemas que apenas o ser humano conseguia resolver.