Textúra elemzés szupport vektor géppel

Az előadások a következő témára: "Textúra elemzés szupport vektor géppel"— 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 {xi,di} tanítópontok, ahol xi a tanító bemenet, di є {-1;1} az elvárt kimenet Keresünk egy g(x)=wT*xi+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 SVM különféle változatai
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 (αi) 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 Teszt Teszt eredménye
10 tanítókép, ebből 5 pozitív 10 tesztkép, ebből 1 pozitív 2. Teszt 10 tesztkép, ebből 3 pozitív 3. Teszt 20 tanító kép, ebből 8 pozitív 100 tesztkép, ebből 48 pozitív Teszt eredménye Minden képet negatívnak ismert fel. Accuracy: Sensitivity: Specificity:0.9000 Precision:0.0000 2. Teszt eredménye Sensitivity: Specificity: Precision: Accuracy: 3. Teszt eredménye Sensitivity:0.9375 Specificity:0.7308 Precision:0.7627 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!