Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.

Az előadások a következő témára: "Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1."— Előadás másolata:

1 Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.

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

3 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

4 Architektúra

5 Demo I.

6 Demo II.

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

8 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

9 Tesztelési eredmények (teszthalmazon, legjobb konfigurációk) k-NN használhatatlan Döntési fa nem pontos (de legalább szép) Neurális háló, SVM használható

10 Konklúzió, kitekintés

11