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