Tüm dökümanlar linkinden bu dosyaya ulaşabilirsiniz.
Tüm dökümanlar link:
http://www.filesonic.com/file/4035863644/viyana.us_eimdocs.rar
* * * Sayfa 3 :
Entwicklungszyklus
başlangıç
veri toplamak
özellikleri seçin
modelini seçin
tren sınıflandırıcı
sınıflandırıcı değerlendirmek
son
ön bilgi
* * * Sayfa 4-33 :
içerik
İstatistik ve sözdizimsel örüntü tanıma
özellik çıkarma
K-NN Algoritmus
Biyometri örnekleri
statistik ve sözdizimsel örüntü tanıma
Örüntü tanıma:
Nesneler 'özelliği vektörleri tarafından açıklanmıştır.
İstatistiksel Yöntemler vektörler sınıflandırmak için kullanılır.
Uygulamada, en sık kullanılan yöntem.
Merkamlsvektor [101, 0.4, 9.35] > istatistiksel sınıflandırma süreci > sınıf
Sintaktik örüntü tanıma:
Nesneler ilkel ve ilkel arasındaki ilişkiler tarafından açıklanmıştır.
Eğer ilkel nesneleri oluşturabilir hakkında kurallar, kümesi bir dilbilgisi denir. Her sınıf kendi dilbilgisi vardır.
Tanıma için:
Ilkel ve ilişkileri bulunmaktadır.
Her sınıfın dilbilgisi dilbilgisi bu nesne oluşturabilir öğrenmek için test edilmiştir.
özellik çıkarma
Bir görüntünün her piksel bir sensör tarafından parlaklık bir ölçüsüdür.
Bu nedenle, her piksel bir özelliktir.
Bir özellik vektörü kolayca tüm piksel değerlerini birleştirerek monte edilebilir.
Sorun: numune sayısı her zaman çok büyük
Örnekler:
30 × 40 piksel = 1200 özellikleri çözünürlükte karakterler.
A 512 × 512 piksel görüntü 262 144 sahiptir.
10 KHz örnekleme frekansı ile 1 saniye ile bir konuşma
10 000 özellikleri.
Öznitelik çıkarma biri amacı bu nedenle veri miktarını azaltarak vardır.
Biz de sınıflar arasında ayrım uygundur sadece özellikler gerekir. Örneğin nerede "O" harfi ve "Q" sınıfları arasında ayrım için önemli bilgiler?
Öznitelik çıkarma diğer bir amacı bu yüzden sınıflandırma için önemli bilgilere odaklanmaktadır.
Biyometrik özelliklerin pratik uygulaması
Biyometri şu anda çok önemli:
güvenlik
Erişim denetimi (erişim kontrolü)
ABD'ye giriş
(İdeal) Biyometrik Sistemi
Biyometrik özelliği tüm insanlarda mevcut olmalıdır.
Özelliği her bir kişi için benzersiz olmaktır.
Özellikleri kayıt koşullarına göre değişmeyen vardır.
Sisteme saldıracak dayanıklıdır
Kimlik türleri
doğrulama
Kimlik Doğrulama.
(Doğru veya Yanlış?) "Ben Helmut Huber değilim"
Bu tür sistemler iki aşamadan oluşur:
Kayıt (Kayıt)
doğrulama
tanıma
Sistem kişilik bir veritabanı kullanan bir kişi tarafından belirlenen kimlik sağlar.
"Ben kimim?"
Biyometri örneği: El Geometri
Bir elin özellikleri kimliğini doğrulamak için saklı özellikleri karşılaştırılır.
Bu parmak uzunluk, genişlik ve eğrilik gibi özellikleri kullanılır.
Nesnelerin Özellik çıkarma
Klasik bir yaklaşım.
Bir dönüşüm arka plandan nesneleri ayırmak için kullanılır.
Özellikler her nesne için hesaplanır.
son
Ilk
Ikili görüntü (bir eşik gibi) oluşturma.
Ikinci
Bağlı her piksel grup etiketleme sayısal bir etiket (etiketleme) verilir.
Üçüncü
A Piksel bağlı grup ilişkilidir
4
Bileşenleri (bileşen) ya da damla.
5
Her blob için özellikler çıkarımı.
6
Nitelik vektörü oluşturulması.
Etiketleme (etiketleme)
Ikili görüntü her blob bir etiket (label) atanır.
Bir damla her piksel (gri skala görüntü) bu etiketin değeri bir alır.
Sıfır değerine sahip pikseller arka plan bir parçasıdır.
Etiket nkann ile blob sonra basit bir eşik tarafından çıkarılan
başka bir örnek
Biz hindi sayısını hesaplamak istiyorum.
Bu eşik dönüşüm sadece türkiye tespit etmek mümkün değildir.
Resimde 196 labelisierten lekeler vardır.
Her hindi sadece atanmış büyük bir damla olduğunu.
Belki türkiye algılamak için uygun özellikler bulmak mümkün ...
Özellik çıkarma (özellik çıkarma)
Özellikleri seçimi ya da hesaplama özellikleri için bir kural seti
Hesaplanan özellikleri özellik vektörleri bir araya getirilmiştir
karakteristik Özellikleri
Nelerdir:
Positionsinvariante özellikleri?
Orientierungsinvariante özellikleri?
Ölçek değişmeyen özellikleri?
şekil imza
Tek boyutlu bir fonksiyon tarafından şeklini temsil eder
Şekil sınır noktaları türetilen
şekil imza
centroidal profili
karmaşık koordinatları
centroid mesafe
teğet açısı
eğrilik
alanı ve akor-boy
Hiç yorum yok:
Yorum Gönder