Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Textúra elemzés szupport vektor géppel Készítette: Czapp Hajnalka Konzulens: Orbán Gergely BME-MIT.

Hasonló előadás


Az előadások a következő témára: "Textúra elemzés szupport vektor géppel Készítette: Czapp Hajnalka Konzulens: Orbán Gergely BME-MIT."— Előadás másolata:

1 Textúra elemzés szupport vektor géppel Készítette: Czapp Hajnalka Konzulens: Orbán Gergely BME-MIT

2 Feladat specifikáció Egy bizonyos textúra felismerése és elkülönítése a többitől.

3 Kernel gép Eredeti megfogalmazásában még komplex nemlineáris megoldást igénylő feladatot, illetve a feladatot reprezentáló mintákat, nemlineáris transzformációk segítségével egy a bemeneti mintatér dimenziójánál több dimenziós térbe transzformálja, ahol az már lineárisan megoldható.

4 SVM Előrecsatolt, ellenőrzött tanulást valósít meg Garantált felső korlátot ad az approximáció általánosítási hibájára Törekszik a modell méretének, komplexitásának csökkentésére Nagy tár- és időigénye van.

5 SVM alapgondolata Adottak {x i,d i } tanítópontok, ahol x i a tanító bemenet, d i є {-1;1} az elvárt kimenet Keresünk egy g(x)=w T *x i +b alakú síkot, ami elválasztja a két osztályt. Class 1 Class 2 A megfelelő g(x) sík mindkét osztálytól a lehető legtávolabb helyezkedik el.

6 SVM a gyakorlatban Leggyakoribb feladatai –Alak- és mintafelismerés/osztályozás Képek helyett bármilyen bemenet használható, pl.: hang Több területen hasznosítható: orvostudomány (röntgenkép elemzés; kóros/nem kóros területek felismerése, elkülönítése), biztonságtechnika (beléptető rendszerek) stb. –Regressziós feladatok SVM különféle változatai –SSVM, RSVM, LS-SVM stb. –Legfőbb céljuk a memóriaigény és a számítási idő csökkentése

7 1. Rész – Adatbázis létrehozása A képeket alaphelyzetben mátrix írja le. Toolbox-függő elvárások a bemenettel kapcsolatban Képek átalakítása szükséges Ebben a feladatban: Szürkeárnyalatos képek 100*100 pixel méret

8 2. Rész – Szükséges paraméterek meghatározása A működés során szükséges paraméterek. –Lagrange-multiplikátor (α i ) –W és b szerinti szélsőérték keresés után kapjuk a másodlagos formulát –A másodlagos formula megoldásai a Lagrange-multiplikátorok Bias: eltolás Lagrange-kritérium elsődleges formula

9 3. Rész – A háló tanítása/kimenete A kimenet egy oszlopvektor. N*1-es, ahol N a tesztpontok száma Az egyes elemek azt mutatják meg, hogy az adott tesztkép mennyire tér el az elvárttól. (mennyire pozitív)

10 Osztályozás hatékonysága T/F: True/False: Hány pont lett jó helyre sorolva, illetve hány nem. P/N: Positive/Negative: Az adott pont az 1-es csoport tagja lett, vagy a 0-s (ami SVM implementációtól függően lehet -1-es is) Sensitivity: a helyesen osztályozott pozitívak aránya Accuracy: pontosság; a helyesen osztályozott pontok száma a teljes tesztkészlet számosságához képest. Specificity: a helyesen osztályozott negatívak aránya Precision: a helyesen pozitívnak felismert pontok számának aránya a pozitívnak felismert pontok számával.

11 Tesztelés MATLAB SVM toolbox 1.Teszt 10 tanítókép, ebből 5 pozitív 10 tesztkép, ebből 1 pozitív 2. Teszt 10 tanítókép, ebből 5 pozitív 10 tesztkép, ebből 3 pozitív 3. Teszt 20 tanító kép, ebből 8 pozitív 100 tesztkép, ebből 48 pozitív 1.Teszt eredménye Minden képet negatívnak ismert fel. Accuracy: Sensitivity: Specificity: Precision: Teszt eredménye Sensitivity: Specificity: Precision: Accuracy: Teszt eredménye Sensitivity: Specificity: Precision: Accuracy:0.8300

12 Összefoglalás/kitekintés Elvégzett munka: –MATLAB programnyelv és az SVM toolbox használata –A kernel számítógépek és az SVM elméleti hátterének megismerése –Képfeldolgozási és adatbázis szervezési ismeretek szerzése, alkalmazása Továbbfejlesztési lehetőségek: –A program specializálása tüdő röntgen felvételek elemzésére –Az osztályozás finomítása, hatékonyság növelése –Osztályozási küszöb keresésének automatizálása –Kettő helyett több osztály elkülönítése –Különböző minták elkülönítése egy képen belül

13 Köszönöm a figyelmet!


Letölteni ppt "Textúra elemzés szupport vektor géppel Készítette: Czapp Hajnalka Konzulens: Orbán Gergely BME-MIT."

Hasonló előadás


Google Hirdetések