Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1. Egyetemi konzulens: dr. Dobrowiecki Tadeusz (BME MIT)

Slides:



Advertisements
Hasonló előadás
Összefoglalás Hardver,szoftver,perifériák Memóriák fajtái
Advertisements

Sarangolt faválasztékok tömör köbtartalmának meghatározása
Meteorológiai Előrejelzés Adatbányászati Támogatással Putnoki Gyula GTK ISZAM II.évf. Társszerzők: az ISZAM-os Meteor-team TDK-konferencia 2007 Gödöllő.
A Microsoft Office Project kapcsolódása a PM folyamataihoz
Tanfolyam megszervezése Képzés módszerei SZTE JGYPK Felnőttképzési Intézet 2009/2010. I. félév Szeged.
Rendszerfejlesztés.
Út a beszédértéstől a szövegértésen keresztül a matematikai problémák megoldásáig Előadó: Horváth Judit.
M IKROSZKOPIKUS MÉRETŰ PARTIKULUMOK MORFOLÓGIAI PARAMÉTEREINEK MÉRÉSE Készítette: Pálfalvi József Konzulens: Eördögh Imre (MTA MFA) Tanszéki konzulens:
1 / / 13 Bevezető Forgalmi dugók okozta problémák: - Feszültség - Sietség - Szabálytalan közlekedés → baleseti források Megoldás: A jó megoldások.
Az ERP bevezetés „művészete” – avagy hogyan csináljuk mi.
Foltkeresés tüdő röntgen képeken
Önálló Laboratórium II. Készítette: Varga Róbert
Digitális képanalízis
Mágneses lebegtetés: érzékelés és irányítás
1 BME TTT E-levél felolvasó esettanulmány Beszédinformációs rendszerek előadás Németh Géza, Zainkó Csaba [nemeth, Beszédkutatási laboratórium.
SAS Enterprise Miner 2. gyakorlat
R++-tree: an efficient spatial access method for highly redundant point data Kalmár Dániel (előadás), Németh Boldizsár (feldolgozás), Hollenczer Péter.
Bevezetés a gépi tanulásba február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával.
Szintaktikai elemzés március 1.. Gépi tanulás Osztályozási feladat: Adott egyedek egy halmaza és azok osztályba tartozási függvénye (tanító halmaz),
Ez a dokumentum az Európai Unió pénzügyi támogatásával valósult meg. A dokumentum tartalmáért teljes mértékben Szegedi Tudományegyetem vállalja a felelősséget,
SZÁMÍTÓGÉP ARCHITEKTÚRÁK
A virtuális technológia alapjai Dr. Horv á th L á szl ó Budapesti Műszaki Főiskola Neumann János Informatikai Kar, Intelligens Mérnöki Rendszerek.
Image Processing Toolbox múltkor: képek megjelenítése, betöltése, alapvető manipulációk Image Processing TB: további funkciók.
Gazdálkodási modul Gazdaságtudományi ismeretek II. Vezetés és kommunikációs ismeretek KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI MSc.
Copyright © 2012, SAS Institute Inc. All rights reserved. STATISZTIKA ÉS VIZUALIZÁCIÓ - ÚJ LEHETŐSÉGEK A STATISZTIKAI ADATOK MEGJELENÍTÉSÉRE ÉS FELTÁRÁSÁRA.
Computeres látás építőmérnöki és középiskolás szemmel Magyar Tudomány Ünnepe, Baja, november 16. Computeres látás építőmérnöki és középiskolás.
Kovács Dániel László Kovács Dániel László BME-VIK, Méréstechnika és Információs Rendszerek Tanszék Önálló laboratórium.
Diagnosztika intelligens eszközökkel
Intelligens Felderítő Robotok
Gyengén nemlineáris rendszerek modellezése és mérése Készítette: Kis Gergely Konzulens: Dobrowieczki Tadeusz (MIT)
Textúra elemzés szupport vektor géppel
Intelligens felderítő robotok Készítette: Györke Péter Intelligens rendszerek MSC szakirány Konzulens: Kovács Dániel László Méréstechnika és Információs.
Szabó Péter Szenzor rendszer PC oldali grafikus kezelő felületének tervezése és megvalósítása Önálló laboratórium beszámoló Intelligens rendszerek BSc.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Ritka események kezelése intelligens adatfeldolgozás segítségével.
Gépi tanulás Tanuló ágens, döntési fák, általános logikai leirások tanulása.
Önálló labor munka Csillag Kristóf 2005/2006. őszi félév Téma: „Argument Mapping (és hasonló) technológiákon alapuló döntéstámogató rendszerek vizsgálata”
Önálló labor munka Csillag Kristóf 2004/2005. tavaszi félév Téma: „Argument Mapping (és hasonló) technológiákon alapuló döntéstámogató rendszerek vizsgálata”
Önálló labor munka Csillag Kristóf 2004/2005. őszi félév Téma: „Argument Mapping (és hasonló) technológiákon alapuló döntéstámogató rendszerek vizsgálata”
IKT ÉS ISKOLAFEJLESZTÉS
Képfeldolgozási módszerek alkalmazása kajszimagok morfológiai tulajdonságainak leírására Felföldi J. 1, Hermán R. 2, Pedryc A. 2, Firtha F. 1 1 Budapesti.
Többváltozós adatelemzés
Kötvényárazási hibák intelligens javítóalgoritmusának tervezése és fejlesztése GELLÉN ÁGNES IUFQ58.
Belami beszámoló – Doménadaptációs alkalmazások. Problémafelvetés Felügyelt tanulás elvégzéséhez gyakran kevés jelölt adat áll rendelkezésre  doménadaptáció.
Valós idejű adaptív útvonalkeresés
Rendszám Felismerő Rendszer Fajt Péter Vácz István
KINECT© szenzor intelligens terekben
KINECT© alapú ambiens intelligencia AAL alkalmazásokban
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.
EASYPIC fényképválogató alkalmazás mobiltelefonra
Mammográfiás képek együttes vizsgálata (Mikrokalcifikációk)
Városi Rendészeti Program. Mi a Városi Rendészeti Program célja?  Az Önkormányzat Közterület felügyeletének munkáját segítse azáltal, hogy egy közös.
Információs rendszer fejlesztése 4. előadás
Ismeretlen malware detekciója bootlog analízis segítségével
Programozás, programtervezés
F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS Persa György.
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Kommunikáció-technológia specializáció
Bolognai Folyamat a az európai és a hazai mérnökképzésben Jobbágy Ákos BME november 17.
Bevezetés a méréskiértékelésbe (BMETE80ME19)
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
Spike Sorting Solutions Csercsa Richárd Magony Andor.
.NET FRAMEWORK Röviden Krizsán Zoltán 1.0. Tulajdonságok I Rövidebb fejlesztés 20 támogatott nyelv (nyílt specifikáció) 20 támogatott nyelv (nyílt specifikáció)
Gépi tanulási módszerek
Hang- és stúdiótechnika mellékspecializáció hit. bme
Több irányú, alaksablonok nélküli épület detekció légiképeken Manno-Kovács Andrea, Szirányi Tamás Elosztott Események Elemzése Kutatócsoport MTA SZTAKI.
1.Kanonikus felügyelt tanulási feladat definíciója (5p) 1.Input, output (1p) 2.Paraméterek (1p) 3.Hipotézisfüggvény (1p) 4.Hibafüggvény/költségfüggvény.
SZFP II Kompetenciamérés
3. osztályban.
Szűcs Imre - Dr. Pitlik László (OTKA T049013)
Objektum-detektálás A tananyag az EFOP
Előadás másolata:

Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1. Egyetemi konzulens: dr. Dobrowiecki Tadeusz (BME MIT) Szakmai konzulens: Eördögh Imre (MTA MFA)

Részecske felismerés Miért fontos ez? (kozmikus sugárzás hatásai, ISS) Mi a megoldás?  Szimuláció, mérés detektorokkal az űrben, és földi kiértékelés Detektorok utókezelése laborban Mérés fénymikroszkóppal képfeldolgozás

Kiindulás, célok IMAN („black box”)  adat csere nehéz Körvonal elemzési algoritmusok használhatók Célszoftver fejlesztése IMAN funkciók (képfeldolgozás, felismerés, osztályozás, interaktív felület) megvalósítása Saját fejlesztések beépítése

Célszoftver képességei 1. Paraméterezhető képfeldolgozás (makró) 2. Objektum felismerés, böngészés, szűrés 3. Osztályozás: betanítás, alkalmazás (visszajelzéssel) 4. Adatok kimentése, betöltése bármelyik fázisban 5. Moduláris megvalósítás: komponensek cserélhetők

Architektúra

Demo I.

Demo II.

Osztályozás (célok, kérdések) 4 osztály: ellipszis, csepp alakú, összetett, egyéb (zaj) Rendelkezésre állnak morfológiai paraméterek (terület, kerület, konvexitás… stb.) Osztályozott, ellipszissel illesztett nyomok Milyen tanuló algoritmust használjunk? Hogyan használjuk? Előszűrés heurisztika alapján?

Tanuló algoritmusok Felügyelt tanítás Előszűrés: ellipszisek leválasztása  probléma dimenziója csökken: 3 osztály Felmerülő (tesztelt) algoritmusok: 1.Neurális háló 2.Döntési fa 3.k-NN klaszterezés (k-Nearest Neighbor) 4.SVM (Support Vector Machine) Mindegyik algoritmust az algoritmusra jellemző módon kell használni. Pl. SVM-nél 2 menetben osztályozunk. De: tesztadatok azonosak

Tesztelési eredmények (teszthalmazon, legjobb konfigurációk) Neurális háló: 97% Döntési fa: 90% k-NN: 75% SVM: 98% k-NN használhatatlan Döntési fa nem pontos (de legalább szép) Neurális háló, SVM használható

Konklúzió, kitekintés Vannak jó tanuló algoritmusok, amikkel a probléma hatékonyan megoldható Van egy „félkész” szoftver, ami képes analizálni a részecskenyomokat További lépések: Tanuló algoritmusok tesztelése „éles helyzetben” Szoftver kibővítése a tanuló algoritmusok használatához