Metody rozpoznawania obrazów

RSS

Cel przedmiotu

Celem przedmiotu jest nabycie umiejętności tworzenia systemów służących do detekcji, identyfikacji i autoryzacji oraz budowania modeli bazujących na danych wykorzystujących metodologie˛ i algorytmy rozpoznawania obrazów.

Program wykładu

Przestrzeń cech. Generacja cech. Przekleństwo wymiaru – Teoria PAC i wymiar Vapnika. Analiza sygnałów i przetwarzanie obrazów. Transformaty (fouriera, falkowa, Hougha, Radona, fraktalna inne). Miary podobie´nstwa i niepodobieństwa. Klasyfikatory vs. Interpolacja i aproksymacja. Klasyfikatory proste. Klasyfikatory liniowe (preceptron, Fischer). Klasyfikatory Bayesowskie. Klasyfikatory nieliniowe – zespołowe. Sieci neuronowe. Support Vector Machine. Ada Boost i inne metody boostujące. Wizualizacja informacji wielowymiarowej. Metody liniowe: metoda głównych komponentów (principal component analysis) i metoda liniowej dyskryminacji (linear dyscriminant analysis). Metody nieliniowe: skalowanie wielowymiarowe MDS (multidimensional scaling). Miary wierności odwzorowań. Metody klasteryzacji. Klasteryzacja hierarchiczna i niechierarchiczna. Nowoczesne metody klasteryzacji SNN, DBSCAN, CHAMELEON. Metody walidacji klasteryzacji. Sieci złożone i ich wykorzystanie w metodach rozpoznawania obrazów.

Charakterystyka pozostałych zajęć

W ramach laboratoriów zajęcia odbywać się˛ będą przy wykorzystaniu podstawowych toolbox’ów Matlaba. Studenci wykonują zadania związane z głównymi komponentami systemów rozpoznających: generacja cech (wykorzystanie transformat), klasyfikacja (wykorzystanie i porównanie metod liniowych i nieliniowych), wizualizacja informacji wielowymiarowej (PCA io MDS), klasteryzacja. Laboratorium polega na analizie danych z dostępnych w sieci Internet repozytoriów danych oraz danych dostarczonych przez prowadzącego przedmiot. Ocenia się aktywność studentów w trakcie zajęć oraz terminowo przygotowywane sprawozdania.

Bibliografia

1. Theodoris S and Koutroumbas K, Pattern Recognition, Academic Press, San Diego, London, Boston, 1998.
2. Strang, G. and Nguyen, T., Wavelets and Filter Banks, Wellesley-Cambridge Press, Wellesley, MA, 1996.
3. Mitra, S. and Acharya T., Data Mining: Multimedia, Soft Computing and Bioinformatics, 424pp. J. Wiley, 2003.
4. Grossman R., L., Karnath, Ch, Kegelmeyer, P., Kumar, V., Namburu, R.,R., Data Mining for Scientific and Engineering Applications, Kluwer Academic Publisher, 2001
5. R.Duda, P.Hart, D. Stork (Patterns Classification)

Wszelkie prawa zastrzeżone © 2010 Katedra Informatyki   |   Akademia Górniczno-Hutnicza   |   Realizacja Creative Bastards