Aprendizaje de características geométricas: Desbloqueo de conocimientos visuales a través del aprendizaje de características geométricas

Por Fouad Sabry

Qué es el aprendizaje de características geométricas

El aprendizaje de características geométricas es una técnica que combina el aprendizaje automático y la visión por computadora para resolver tareas visuales. El objetivo principal de este método es encontrar un conjunto de características representativas de forma geométrica para representar un objeto recopilando características geométricas de imágenes y aprendiéndolas utilizando métodos eficientes de aprendizaje automático. Los humanos resuelven tareas visuales y pueden dar una respuesta rápida al entorno extrayendo información perceptual de lo que ven. Los investigadores simulan la capacidad humana de reconocer objetos para resolver problemas de visión por computadora. Por ejemplo, M. Mata et al. (2002) aplicaron técnicas de aprendizaje de funciones a las tareas de navegación del robot móvil para evitar obstáculos. Utilizaron algoritmos genéticos para aprender características y reconocer objetos (figuras). Los métodos de aprendizaje de características geométricas no solo pueden resolver problemas de reconocimiento sino también predecir acciones posteriores mediante el análisis de un conjunto de imágenes sensoriales de entrada secuenciales, generalmente algunas características de extracción de imágenes. A través del aprendizaje se dan algunas hipótesis de la siguiente acción y de acuerdo a la probabilidad de cada hipótesis se da una acción más probable. Esta técnica es ampliamente utilizada en el área de la inteligencia artificial.

Cómo se beneficiará

(I) Insights y validaciones sobre los siguientes temas:

Capítulo 1: Aprendizaje de características geométricas

Capítulo 2: Reconocimiento de patrones

Capítulo 3: Transformada de Hough

Capítulo 4: Función de pérdida

Capítulo 5: ¿Expectativa? Algoritmo de maximización

Capítulo 6: Muestreo de rechazo

Capítulo 7: Procesamiento de matrices

Capítulo 8: Autocodificador

Capítulo 9: Aproximación estocástica

Capítulo 10: Detección de tablero de ajedrez

(II) Respondiendo a las principales preguntas del público sobre el aprendizaje de características geométricas.

(III) ) Ejemplos del mundo real para el uso del aprendizaje de características geométricas en muchos campos.

Para quién es este libro

Profesionales, estudiantes de pregrado y posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o la información básicos para cualquier tipo de aprendizaje de características geométricas.

• Idioma: Español
• Editorial: Mil Millones De Conocimientos [Spanish]
• Fecha de lanzamiento: 4 may 2024

Vista previa del libro

Capítulo 1: Aprendizaje de características geométricas

El aprendizaje automático y la visión artificial se unen en un método llamado aprendizaje de características geométricas, que se utiliza para completar tareas visuales. Al extraer características geométricas de las fotos y aprenderlas con métodos efectivos de aprendizaje automático, este método busca establecer un conjunto de características representativas de la forma geométrica para describir un objeto. Al obtener información perceptual de lo que ven, los humanos pueden resolver problemas visuales y responder rápidamente a su entorno. Con el fin de abordar los problemas de la visión por computadora, los investigadores han comenzado a modelar estrategias de reconocimiento de objetos humanos. Para ayudar a los robots móviles a navegar de forma segura, investigadores como M. Mata et al. (2002) emplearon métodos de aprendizaje de características. Se utilizaron algoritmos genéticos para el aprendizaje de características y el reconocimiento de objetos (figuras). Al estudiar una secuencia de imágenes sensoriales de entrada, generalmente extrayendo características de ellas, los enfoques de aprendizaje de características geométricas pueden no solo manejar problemas de reconocimiento, sino también anticipar comportamientos futuros. El proceso de aprendizaje proporciona un conjunto de hipótesis sobre el siguiente paso, y luego clasifica las hipótesis en orden de probabilidad para determinar el curso de acción más probable. El campo de la inteligencia artificial hace un uso extensivo de este método.

Las imágenes incluyen características geométricas únicas que se pueden extraer mediante técnicas de aprendizaje de características geométricas. Los objetos pueden tener cualidades geométricas porque se construyen a partir de una serie de partes geométricas como puntos, líneas, curvas y superficies. Las técnicas de detección de características son capaces de identificar características como esquinas, bordes, manchas, crestas, puntos salientes y otras áreas prominentes de la textura de una imagen.

Características primitivas

Las esquinas de los objetos son un elemento de diseño simple pero crucial. Las cosas complejas, en particular, a menudo exhiben características de esquina contrastantes. La detección de esquinas es un método para aislar las cuatro esquinas de un objeto. Cho y Dunn definieron una esquina en un nuevo enfoque, basado en la separación y el ángulo de dos líneas paralelas. En este novedoso enfoque, las características se definen como la suma parametrizada de muchos subcomponentes.

Los bordes de una imagen son sus elementos estructurales distintivos en una sola dimensión. Denotan los límites entre las distintas áreas visuales. La detección de bordes es un método para localizar de forma rápida y precisa los contornos de un objeto.

El método de detección de blobs se utiliza para identificar blobs, que son regiones de las fotografías.

Desde una perspectiva aplicada, una cresta puede interpretarse como una curva simétrica unidimensional. Ver también: Método de detección de crestas.

para el enfoque del detector de prominencia Kadir-Brady en las características sobresalientes, la textura de la imagen

Características del compuesto

Composición geométrica

Varias entidades primitivas, como bordes, esquinas o manchas, se combinan para formar una única entidad de componente geométrico. A continuación mostramos cómo se puede utilizar el punto de referencia para calcular el vector necesario para extraer la característica geométrica en la posición x:

\textstyle \ x_{{i}}=x_{{i-1}}+\sigma _{{i-1}}d_{{i}}{\begin{bmatrix}\cos(\theta _{{i-1}}+\phi _{{i}})\\\sin(\theta _{{i-1}}+\phi _{{i}})\end{bmatrix}}\textstyle \ \theta _{{i}}=\theta _{{i-1}}+\Delta \theta _{{i}}\textstyle \ \sigma _{{i}}=\sigma _{{i-1}}\Delta \sigma _{{i}}

Las ubicaciones de las entidades se indican con el símbolo x, \textstyle \theta significa la orientación, \textstyle \sigma significa la escala intrínseca.

Composición booleana

Dos entidades más, ya sean entidades primitivas u otras entidades compuestas, conforman una entidad compuesta booleana. Las características booleanas se pueden dividir en dos categorías: características conjuntivas cuyo valor es el producto de dos subcaracterísticas y características disyuntivas cuyo valor es el máximo de las dos subcaracterísticas.

Segen fue el primero en reflexionar sobre el concepto de un espacio de características en el campo de la visión por computadora. Para representar las relaciones geométricas entre los rasgos regionales, utilizó un gráfico de varios niveles.

El reconocimiento de objetos en imágenes se puede enseñar con cualquier número de técnicas de aprendizaje disponibles. Es posible agregar nuevos tipos de objetos a su repertorio durante el proceso de aprendizaje.

Detección de esquinas

Ajuste de curvas

Detección de bordes

Extracción de estructuras globales

Histogramas de características

Detección de líneas

Etiquetado de piezas interconectadas

Textura de la imagen

Estimación de movimiento

1. Obtener una nueva imagen de entrenamiento I.

2. Evaluar el resultado a la luz del algoritmo de reconocimiento. Las nuevas clases de objeto se reconocen si el resultado es positivo.

Algoritmo de reconocimiento

Encontrar las características que distinguen a una clase de otra es el objetivo principal de todo programa de reconocimiento.

Por lo tanto, use la siguiente ecuación para maximizar la característica \textstyle \ f_{{max}}

\textstyle \ I_{{max}}={\underset {f}{max}}{\underset {C}{max}}I(C,F_{{f}})\textstyle \ I(C,F_{{f}})=-{\underset {C}{\sum }}{\underset {F_{{f}}}{\sum }}BEL(F_{{f}},C)\log {\frac {BEL(C,F_{{f}})}{BEL(F_{{f}})BEL(C)}}

Evaluación del valor de la característica de una imagen \textstyle \ f_{{max}} y, \textstyle \ f_{{f_{{max}}}} también, para adaptar un atributo a una región específica:

\textstyle \ f_{{f_{{(p)}}}}(I)={\underset {x\in I}{max}}f_{{f_{{(p)}}}}(x)

Donde \textstyle f_{{f_{{(p)}}}}(x) se define como

\textstyle f_{{f_{{(p)}}}}(I)=max\left\{0,{\frac {f(p)^{T})f(x)}{\left\|f(p)\right\|\left\|f(x)\right\|}}\right\}

evaluación

Hay cinco categorías de evaluación de los resultados del reconocimiento: correctos, incorrectos, ambiguos, confusos e ignorantes. Estas categorías ayudan a determinar si las clases se pueden reconocer después del reconocimiento de las entidades. Agregue una nueva imagen de entrenamiento una vez que la evaluación sea precisa. En el caso de que el reconocimiento no tenga éxito, se recomienda que los nodos característicos maximicen su poder de distingución, medido por la distancia de Kolmogorov-Smirnoff (KSD).

\textstyle KSD_{{a,b}}(X)={\underset {\alpha }{max}}\left|cdf(\alpha |a)-cdf(\alpha |b)\right|

3.Algoritmo para adquirir características A continuación, se utiliza el enfoque de aprendizaje de características para probar la precisión del reconocimiento de la red bayesiana después de que se haya identificado la característica.

El objetivo principal de un método de aprendizaje de características es descubrir una característica novedosa a partir de una imagen de muestra con la que evaluar si las clases se han reconocido correctamente o no. Hay dos escenarios en los que pensar: Con la imagen de ejemplo, busque características novedosas de la clase verdadera y de la clase incorrecta. Se reconoce una clase y el procedimiento debe finalizar si se descubre una nueva característica de la clase verdadera y no se descubre la clase incorrecta. Elimine las entidades de la red bayesiana que se pueden utilizar para reconocer la clase falsa si se encuentran en la imagen de ejemplo pero no en la clase real.

El procedimiento de prueba se actualiza utilizando una red bayesiana.

D utilizó un concepto llamado probablemente más o menos correcto (PAC).

Este enfoque fue utilizado por Roth (2002) para crear una teoría de aprendizaje libre de distribución para la visión por computadora.

La creación de un método de aprendizaje eficiente en características fue crucial para el éxito de esta hipótesis.

El propósito de este algoritmo es reconocer un objeto en una imagen en función de sus características geométricas.

Los vectores de características se utilizan como entrada, y un 1 al final indica que la detección de objetos se ha realizado correctamente, mientras que un 0 indica un error.

La idea clave detrás de este método de aprendizaje es acumular características que puedan describir fielmente el elemento a través de una función, y luego poner esa función a prueba reconociendo un objeto en una imagen.

El algoritmo de aprendizaje tiene como objetivo predecir si el concepto objetivo aprendido \textstyle f_{{T}}(X) pertenece a una clase, donde X es el espacio de instancia y los parámetros se prueban para ver si son precisos.

Una vez que se han aprendido las características, se pueden utilizar para evaluar la eficacia de los algoritmos de aprendizaje. D. Roth utilizó dos algoritmos de aprendizaje:

1.El algoritmo de nodos dispersos en un árbol (SNoT)

SNoW-Tren

Paso inicial: poner en sus iniciales el conjunto de características \textstyle F_{{t}}=\phi que se vinculan al objetivo t para todos . \textstyle t\in T

T es un conjunto de objetivos de objeto cuyos elementos son \textstyle t_{{1}} \textstyle t_{{k}}

Establezca el peso inicial y la entidad de vínculo en el destino si el conjunto T contiene solo destinos que comparten un conjunto de entidades activas.

Evalúe los objetivos : compare los objetivos \textstyle {\underset {i\in e}{\sum }}w_{{i}}^{{t}} con \textstyle \theta _{{t}} , donde \textstyle w_{{i}}^{{t}} es el peso en una posición que conecta las características i con el objetivo t.

theta t es el umbral deseado, no t.

Ajuste la importancia en función de los resultados del análisis.

Hay dos casos: predicción positiva en un ejemplo negativo ( \textstyle {\underset {i\in e}{\sum }}w_{{i}}^{{t}}>\theta _{{t}} y los objetivos no están en la lista de características activas) y predicción negativa en un ejemplo positivo ( \textstyle {\underset {i\in e}{\sum }}w_{{i}}^{{t}}\leq \theta _{{t}} y los objetivos están en la lista de características activas).

Evaluación SNoW

Aplicar la misma función evaluativa descrita en la oración anterior a cada objetivo.

Predicción: Elija el nodo con los procesos de terminal más activos.

Sistema de soporte basado en vectores

El objetivo principal de SVM es encontrar un hiperplano para separar el conjunto de muestras \textstyle (x_{{i}},y_{{i}}) donde \textstyle x_{i} es un vector de entrada que es una selección de características \textstyle x\in R^{{N}} y \textstyle y_{{i}} es la etiqueta de \textstyle x_{i} .

El hiperplano tiene la siguiente forma:

\textstyle f(x)=sgn\left(\sum _{{i=1}}^{{l}}y_{{i}}\alpha _{{i}}\cdot k(x,x_{{i}})+b\right)=\left\{{\begin{matrix}1,positive\;inputs\\-1,negative\;inputs\end{matrix}}\right.

\textstyle k(x,x_{{i}})=\phi (x)\cdot \phi (x_{{i}})