F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS Persa György.

Slides:



Advertisements
Hasonló előadás
Összetett kísérleti tervek és kiértékelésük:
Advertisements

Valóban azt látjuk, ami a retinára vetül? Dr. Kosztyánné Mátrai Rita Eötvös Loránd Tudományegyetem, Bölcsészettudományi Kar, Informatika Tanszék.
Fejmozgás alapú gesztusok felismerése
F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS A BIONIKUS SZEMÜVEGBEN Persa György.
Pac-Man játék tanulása Megerősítéses Tanulással Mesterséges Intelligencia algoritmusok tesztelése játékokon Gyenes Viktor Eötvös Loránd Tudományegyetem.
MI 2003/9 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
MI 2003/ A következőkben más megközelítés: nem közvetlenül az eloszlásokból indulunk ki, hanem a diszkriminancia függvényeket keressük. Legegyszerűbb:
Gazdaságelemzési és Statisztikai Tanszék
Budapesti Műszaki és Gazdaságtudományi Egyetem Elektronikus Eszközök Tanszéke A programozás alapjai 1. (VIEEA100) 9. előadás.
Készítette: Zaletnyik Piroska
Sűrűségfüggvény Parzen becslés Mintapontszám, szigma.
2012. április 26. Dülk Ivor - (I. évf. PhD hallgató)
Szintaktikai elemzés február 23..
Bevezetés a gépi tanulásba február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával.
Osztályozás -- KNN Példa alapú tanulás: 1 legközelebbi szomszéd, illetve K-legközelebbi szomszéd alapú osztályozó eljárások.
Szintaktikai elemzés március 1.. Gépi tanulás Osztályozási feladat: Adott egyedek egy halmaza és azok osztályba tartozási függvénye (tanító halmaz),
MI 2003/ Alakfelismerés - még egy megközelítés: még kevesebbet tudunk. Csak a mintánk adott, de címkék nélkül. Csoportosítás (klaszterezés, clustering).
Mérési pontosság (hőmérő)
Objektum osztályozás Képfeldolgozás 2. Blaskovics Viktor, Hantos Norbert, Papp Róbert Sándor.
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Mintavétel Mintavétel célja: következtetést levonni a –sokaságra vonatkozóan Mintavétel.
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
SZÁMÍTÓGÉP ARCHITEKTÚRÁK
Dr. Szalka Éva, Ph.D.1 Statisztika II. IX.. Dr. Szalka Éva, Ph.D.2 Idősorok elemzése.
A projekttervezés első lépései
Előadó: Prof. Dr. Besenyei Lajos
Gazdálkodási modul Gazdaságtudományi ismeretek I. Üzemtan
Régióközi tudáshálózatok minőségének hatása a kutatási teljesítményre Sebestyén Tamás és Varga Attila.
SPSS többváltozós (lineáris) regresszió (4. fejezet)
Az Alakfelismerés és gépi tanulás ELEMEI
Vámossy Zoltán 2004 (H. Niemann: Pattern Analysis and Understanding, Springer, 1990) DIP + CV Bevezető II.
Térkép. Mi az adat? Minden információ, amit tárolni kell. Minden információ, amit tárolni kell.  szám  szöveg  dátum  hang  kép, stb.
Nominális adat Módusz vagy sűrűsödési középpont Jele: Mo
Dr. Balogh Péter Gazdaságelemzési és Statisztika Tanszék DE-AMTC-GVK
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Textúra elemzés szupport vektor géppel
Kovács Atila Magyar Közút Nonprofit Zrt. fejlesztési és felújítási igazgató ÚTÜGYI NAPOK A közúthálózat állapota és fenntarthatósági stratégiája a jelenlegi.
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
Problémás függvények : lokális optimalizáció nem használható Globális optimalizáció.
Matematikai eszközök a környezeti modellezésben
Képfeldolgozási módszerek alkalmazása kajszimagok morfológiai tulajdonságainak leírására Felföldi J. 1, Hermán R. 2, Pedryc A. 2, Firtha F. 1 1 Budapesti.
1/13 Bécsi Tamás, Péter Tamás INNOVÁCIÓ ÉS FENNTARTHATÓ FELSZÍNI KÖZLEKEDÉS KONFERENCIA Budapest, szeptember 4-6. Képfelismerésen alapuló technológiák.
TransMotion Emberi mozgás digitalizálása
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.
Zajok és fluktuációk fizikai rendszerekben december 2. Active Delay Implicit szekvencia tanulás.
Orvosbiológiai képkereső rendszer teljesítményének képek osztályozásán alapuló javítása Június 23, 2008 Budapest Altrichter Márta Konzulens: dr. Horváth.
Bevezetés a méréskiértékelésbe (BMETE80ME19) Intervallumbecslések 2014/
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
UML modellezés 3. előadás
Az eredő szakasz GE(s) átmeneti függvénye alapján
Forgalom-szimuláció eltérő közegekben Max Gyula BMGE-AAIT 2008.
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1. Egyetemi konzulens: dr. Dobrowiecki Tadeusz (BME MIT)
Bevezetés a méréskiértékelésbe (BMETE80ME19)
MI 2003/8 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
Készítette: Kokrák Mihály Konzulens: Smid László
A számítógépes elemzés alapjai
Hága Péter ELTE, Komplex Rendszerek Fizikája Tanszék Statisztikus Fizikai Nap Budapest.
Az egyhurkos szabályozási kör statikus jellemzői
Gazdaságstatisztika Gazdaságstatisztika Korreláció- és regressziószámítás II.
PÉNZÜGYI ELEMZÉS 1. előadás PhDr. Antalík Imre SJE GTK szeptember 21.
A számítógépes elemzés alapjai
- Mobil navigáció látássérülteknek -
Radványi Mihály - Doktorizom! -.
Üzleti gazdaságtan Andor György.
Széltérképek Tartalomjegyzék : 1
Gazdaságstatisztika Konzultáció a korreláció- és regressziószámítás, idősorok elemzése témakörökből.
Mesterséges intelligencia
Szabályozott és képes termékek/szolgáltatások, folyamatok, rendszerek
2. Regresszióanalízis Korreláció analízis: milyen irányú, milyen erős összefüggés van két változó között. Regresszióanalízis: kvantitatív kapcsolat meghatározása.
Mérési skálák, adatsorok típusai
Előadás másolata:

F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS Persa György

Á TTEKINTÉS Rendszer fejlesztése helyszínek, szituációk elemzésére videófolyamok alapján Bionikus szemüveg projekt keretein belül Figyelmi modell felhasználásával

B IONIKUS SZEMÜVEG PROJECT Személyi navigációs eszköz fejlesztése vakok és gyengénlátók számára Képfeldolgozási feladatokat ellátó alkalmazások mobiltelefon kamera felhasználásával Részfeladatok témakörei Otthon Munka Köztük levő út

H ELYSZÍNEK ÉS SZITUÁCIÓK JELENTŐSÉGE Részfeladatok használatának megkönnyítése Más szituációkban más alkalmazások Testreszabhatóság Hatékony működés Veszély, beavatkozás szükségessége Látótérben tapasztalt változások

C ÉLKITŰZÉS Helyszínanalízis Eltérő szituációkban különböző módon viselkedő tulajdonságok kinyerése Analízis, klasszifikáció Felhasznált eszköz: bottom-up figyelmi modell Ösztönös figyelem modellezése Lázár Anna, 2007

B OTTOM - UP FIGYELMI MODELL Szemmozgás mérések alapján Kép pontjainak „feltűnőségét” számítja ki Feltűnőségi térkép Eredeti modell folyamatábra, és egy megjelenített feltűnőségi térkép

R ENDSZERFEJLESZTÉS Feltűnőségi térképek elemzése Feltűnőségi értékek viselkedésének megfigyelése Legfeltűnőbb területek meghatározása kontúrvonalak alapján „domborzati térkép” Szintvonalak feltűnőségi értékek szerint Legfeltűnőbb területek

R ENDSZERFEJLESZTÉS Tracking algoritmus A megjelölt legfeltűnőbb területek követéséhez 4 állapotos modell Feltűnő területek tulajdonságai alapján egyezés keresése két képkocka között Átlagos feltűnőségi értékbeli eltérés Területbeli eltérés Középpont koordinátái Trackek adatstruktúrájában további kinyert, és a követésnél használt tulajdonságok tárolása Állapotátmenet diagram, és track adatstruktúra

R ENDSZERFEJLESZTÉS Statikus paraméterek Videó egyszeri futásával előállíthatók Legfeltűnőbb területeken mérhető tulajdonságokból Maximális feltűnőségi érték, átlag, szórás Legfeltűnőbb területek aggregált térképéből Aggregált térkép a videó futása közben elmozduló feltűnő területek globális elemzéséhez Szumma, lefedés, átlag Követett területek aggregált térképéből Szumma, lefedés, átlag

R ENDSZERFEJLESZTÉS Dinamikus paraméterek Követés során változó tulajdonságok A videóhoz tartozó minden frame-re az aktuálisan követett legfeltűnőbb területek száma, élettartama átlagos sebessége, sebesség szórása átlagos területe átlagos távolsága („csomósodás”) feltűnőségének átlaga, szórása, 3. és 4. centrális momentum lefedési aránya

F ELHASZNÁLÓI FELÜLET

H ELYSZÍNKLASSZIFIKÁCIÓ Kétfajta megközelítés Statikus paraméterek segítségével Dinamikus paraméterek segítségével 4 osztály Beltér Természet Utca Forgalom Osztályok megválasztása a figyelmi értékek megfigyelt viselkedése alapján

H ELYSZÍNKLASSZIFIKÁCIÓ Felügyelt tanulás statikus paraméterek segítségével Optimális viselkedés megadása osztálycímkékkel ellátott tulajdonságvektor formájában 64 felhasznált minta SVM, LDA, LDA3d 46 tanító, 18 teszt minta

H ELYSZÍNKLASSZIFIKÁCIÓ SVM Minden osztályra: osztályba tartozás, és nem tartozás szeparálása két tulajdonság alapján Legjobb klasszifikációs teljesítményt mutató osztályozásoknál legtöbbször szereplő tulajdonságok kiválasztása A két kiválasztott tulajdonsággal az összes osztály klasszifikálása 2 kiválasztott tulajdonság beltér vs többi természet vs többi utca vs többiforgalom vs többi szumma teljesítmény

H ELYSZÍNKLASSZIFIKÁCIÓ LDA, LDA3d Két tulajdonság alapján a 9 legjobb eredményt adó klasszifikáció. Minimális hiba: Három tulajdonság alapján a legjobb eredményt adó klasszifikáció. Hiba:

H ELYSZÍNKLASSZIFIKÁCIÓ Dinamikus paraméterek Minden mintavideóra egy darab kétváltozós függvény keresése a dinamikus tulajdonságok felhasználásával Különböző osztályokból választott mintákra a szeparáció vizsgálata Legfeltűnőbb területek átlagos területének, és a feltűnőségi értékek klasszifikációs teljesítménye egy nem szeparáló tulajdonsággal kivetítve Átlagterület és feltűnőségi szórás függvénye Feltűnőségi szórás és harmadik momentum függvénye

E REDMÉNYEK Figyelmi modell újszerű felhasználása Klasszifikáció hatékonyság Sok esetben ígéretes viselkedés Teljesítmény nem elég a tényleges alkalmazáshoz Továbbfejlesztési lehetőségek Kifinomultabb klasszifikációs eljárások Figyelmi paraméterek egyéb hasznosítása

K ÖSZÖNÖM A FIGYELMET