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

Az előadások a következő témára: "Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1. Egyetemi konzulens: dr. Dobrowiecki Tadeusz (BME MIT)"— Előadás másolata:

1 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)

2 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

3 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

4 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

5 Architektúra

6 Demo I.

7 Demo II.

8 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?

9 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

10 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

11 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

12