01 Rec_Patrones
Anuncio
Universidad La Salle
Facultad de Ingeniería
Ingeniería en Cibernética y Sistemas Computacionales
“Reconocimiento de Patrones”
Andrade Hernández José Alejandro
Díaz Arcos César Eduardo
Hernández Hernández Karla Paola
Peña Butrón Jorge Rodolfo
Solís Magallanes Alan Francisco
Contenido
Objetivo.......................................................................................................................................................... 3
Definiciones y Conceptos Básicos................................................................................................ 3
Patrones.................................................................................................................................................... 3
Reconocimiento o Clasificación ................................................................................................. 3
Clase ........................................................................................................................................................... 4
Clase de Rechazo .............................................................................................................................. 4
Extractor de Características......................................................................................................... 4
Clasificador ............................................................................................................................................. 4
Falso rechazo (falso negativo) y falsa aceptación (falso positivo) ................... 4
Antecedentes y Desarrollo Histórico .......................................................................................... 4
Fundamento Matemático..................................................................................................................... 5
Reconocimiento mediante funciones discriminantes .................................................... 5
Elementos ................................................................................................................................................ 5
Aprendizaje ............................................................................................................................................. 6
Técnicas ........................................................................................................................................................ 6
Adaptación (Pattern Matching) ................................................................................................... 6
Clasificadores estadísticamente óptimos ............................................................................. 6
Redes Neuronales............................................................................................................................... 6
Estado del Arte ........................................................................................................................................ 7
Desarrollos Actuales .............................................................................................................................. 8
En el mundo .......................................................................................................................................... 8
Ejemplo ........................................................................................................................................................... 9
Reconocimiento de Caracteres por medio de la técnica “Clasificador de
Media Distancia”.................................................................................................................................. 9
Bibliografía ................................................................................................................................................ 12
Cuestionario ............................................................................................................................................. 12
Objetivo
Conocer
el
proceso,
métodos
y
aplicaciones
del
reconocimiento
de
patrones. Así como también, los problemas que se pueden resolver con
ésta disciplina.
Definiciones y Conceptos Básicos
El
Reconocimiento
multidisciplinario
de
cuyo
Patrones
objetivo
es
de
una
estudio
disciplina
de
son
procesos
los
carácter
de
identificación, caracterización, clasificación y pronóstico sobre objetos,
físicos o abstractos con el propósito de extraer información que permita
establecer propiedades de o entre conjuntos de dichos objetos, así como
las metodologías y técnicas relacionadas con dichos procesos.
Patrones
Tras
los
procesos
descripción,
(posiblemente
cada
de
segmentación,
objeto
ordenada
y
queda
extracción
representado
estructurada)
de
de
por
características
una
descriptores,
y
colección
denominada
patrón.
En los problemas de reconocimiento, cada patrón se supone perteneciente
a una categoría o clase.
El sistema de reconocimiento debe asignar cada objeto (de interés) a su
categoría.
Reconocimiento o Clasificación
Proceso en el cual se asigna un alias (que representa una clase) a un
patrón concreto.
Clase
Conjunto
de
entidades
que
comparten
alguna
característica
que
las
diferencia de otras.
Clase de Rechazo
Conjunto de entidades que no se pueden etiquetar como ninguna de las
clases del problema.
Extractor de Características
Subsistema que extrae información relevante para la clasificación a partir
de las entidades cuantificables.
Clasificador
Subsistema
que
utiliza
un
vector
de
características
de
la
entidad
cuantificable y lo asigna a una de N clases.
Falso rechazo (falso negativo) y falsa aceptación (falso positivo)
Para problemas de 2 clases estas definiciones reflejan la importancia de
una decisión contra la opuesta. El sistema de clasificación se puede
“sintonizar” para que trabaje ponderando un tipo de error sobre el otro.
Antecedentes y Desarrollo Histórico
Es en los años 50 cuando se logra realizar un sistema que tuvo cierto
éxito, se llamó el Perceptrón de Rossenblatt. Éste era un sistema visual de
reconocimiento de patrones en el cual se asociaron esfuerzos para que se
pudieran resolver una gama amplia de problemas, pero estas energías se
diluyeron enseguida.
En 1966, el reconocimiento de patrones se convirtió en un objeto de
estudio más serio gracias al trabajo de Zhuravliov que habla de la Teoría
de Testores y el Reconocimiento de Patrones.
En 1972, en Washington, se lleva a cabo la primera conferencia sobre
reconocimiento de patrones.
En
1978,
se
funda
la
IAPR
(International
Association
for
Pattern
Recognition).
En 1980, el reconocimiento de patrones llega a México a través de
maestros cubanos.
Fundamento Matemático
Reconocimiento mediante funciones discriminantes
Es una técnica estadística multivariante cuya finalidad es analizar si existen
diferencias significativas entre grupos de objetos respecto a un conjunto
de variables medidas sobre los mismos para, en el caso de que existan,
explicar
en
qué
sentido
se
dan
y
proporcionar
procedimientos
de
clasificación sistemática de nuevas observaciones de origen desconocido
en uno de los grupos analizados.
Elementos
Función Discriminante, d(x):
Mide la relevancia de la clase c para el patrón x.
Región de Decisión, R:
El conjunto de todos los puntos del espacio que el reconocedor
asigna a la clase c.
Frontera de Decisión:
Separa regiones de decisión.
Decisor:
Típicamente (aunque no siempre), seleccionan la clase de mayor (o
menor) valor de la función discriminante d(x).
Aprendizaje
Conjunto de entrenamiento:
Conjunto de patrones etiquetados (con un alias).
{x(k), c(k), k = 1, … , k}
Algoritmo de entrenamiento:
Es un conjunto de reglas de ajuste de los parámetros de las
funciones discriminantes di(x,wi).
Conjunto de prueba (test):
-
Conjunto
de
patrones
etiquetados
NO
utilizados
durante
el
entrenamiento.
-
Sirven para evaluar el rendimiento del clasificador.
-
Generalización: capacidad para clasificar correctamente patrones
no utilizados durante el entrenamiento.
Técnicas
Adaptación (Pattern Matching)
Representan cada clase mediante un patrón prototipo.
-
Clasificador de mínima distancia.
-
Adaptación por correlación.
Clasificadores estadísticamente óptimos
Se fundamentan en la Teoría de la Decisión Estadística.
-
Clasificador bayesiano para clases gausianas.
Redes Neuronales
Se fundamentan en la teoría del aprendizaje estadístico.
-
Perceptrón para dos clases.
-
Perceptrón multicapa.
Estado del Arte
Refiriéndose a la definición del reconocimiento de patrones, los objetos
físicos pueden ser espaciales como: caracteres, imágenes, entre otros y
temporales
como:
formas
de
onda
(voz),
series,
entre
otros
y
los
abstractos como: razonamiento, soluciones a problemas, etc. Así tenemos,
por ejemplo, patrones visuales basados en imágenes aéreas o satelitales,
de problemas de clasificación y diagnóstico en algunos campos (como la
medicina
o
la
balística).
También
se
puede
aplicar
a
problemas
relacionados con el campo del control inteligente, en el cual los sistemas
complejos neuronales suministran la capacidad de aprendizaje y la lógica
borrosa permite la extracción de las reglas de clasificación o diagnóstico.
A través del tiempo el Reconocimiento de Patrones ha ido evolucionando y
tomando
distintos
nombres
como
Machine
Learning
(Aprendizaje
Automático) o el más reciente como Data Mining (Minería de Datos) o
Knowledge Discovery of Data (KDD, Descubimiento de Conocimiento en
bases de datos) a medida que se han ido incorporando algunos otros
métodos y/o técnicas al reconocimiento de patrones
Desarrollos Actuales
En el mundo
España: Método para identificar el sexo de una persona con una imagen
de 25x25 pixeles.
Un equipo español del Grupo de Inteligencia Artificial con sede en la
Universidad Politécnica de Madrid, ha desarrollado un sistema que puede
analizar una señal de vídeo en tiempo real y calcula el género de los
rostros representados en las imágenes.
El dispositivo consiste en una cámara de vídeo que mediante un detector
facial captura imágenes recortadas de 25×25 píxeles. Después se aplica
una máscara a la imagen para eliminar el fondo y se pasa a un
clasificador que determina el sexo de la persona.
Lo interesante es de algoritmo, es que solo utiliza 625 píxeles para
determinar el sexo una vez que identifica el rostro. Para ello emplea el
“Análisis
Discriminante
Lineal”,
técnica de reconocimiento de patrones,
que
si
una
se
usa
vieja
correctamente
resulta tan buena como las modernas máquinas de vectores de soporte.
Algunos rostros son difíciles de clasificar, pero el grupo de investigación
está trabajando para ampliar el algoritmo y reconocer expresiones faciales.
Este
sistema
serviría
para
la
medición de audiencias de televisión
o
publicidad, así como la realización de estudios de mercado en los centros
comerciales, tiendas, bancos o cualquier otro negocio donde se puedan
utilizar cámaras para contar personas y obtener información demográfica.
Ejemplo
Reconocimiento de Caracteres por medio de la técnica
“Clasificador de Media Distancia”
Clases: Ck: {A,B,…a,b,…,0,1,2,…a,b,…a,b,…a,b,…a,b,…a,b,…}
Clase de rechazo: Cr:{!,”,$,%,&,/,(,),=,?,¿,~…}
Extractor de características:
El reconocedor de caracteres asigna el vector “v” a la clase que más
se “parece”.
Medidas de Similitud
Distancia Euclidea
Distancia de Hamming
Distancia de Mahalanobis
Correlación cruzada
Ventajas del Clasificador de Mínima Distancia
Simplicidad
Facilidad de Ajuste
Inconvenientes
Sólo funciona cuando las clases forman nubes poco dispersas y bien
separadas
-
Ejemplo: fuente de caracteres E-13B de la American Bankers
Association, especialmente diseñada para facilitar el
reconocimiento automático.
-
La signatura refleja la derivada de la cantidad de negro en
dirección vertical, al mover un scanner de izquierda a derecha
-
El muestreo en lo puntos de la cuadrícula proporciona
información con suficiente capacidad discriminante.
Bibliografía
http://www.comunidad.cic.ipn.mx/sitioCIC/images/sources/cic/tesis/A040212
.pdf
http://ciberconta.unizar.es/leccion/discri/inicio.html
http://www.gts.tsc.uvigo.es/pi/Reconocimiento.pdf
http://ccc.inaoep.mx/~ariel/recpat.pdf
http://lindagaxiola.blogspot.com/2010/12/reconocimiento-de-patrones.html
Cuestionario
1. ¿Qué es un patrón?
a) Encargado de manipular a sus empleados
b) Vector que almacena las características propias del objeto
analizado.
c) Conjunto de características almacenadas en un objeto llamado
Clase.
d) Elección de un objeto a partir de la segmentación de una
imagen.
2. ¿Qué es una clase?
a) Conjunto de características almacenadas en un vector llamado
clase.
b) Elección de un objeto a partir de una imagen dada en la entrada
del sistema de reconocimiento.
c) Conjunto de entidades que comparten alguna característica que
las diferencia de otras.
d) Es la base del conocimiento con el cual se eligen los objetos
parecidos.
3. ¿Qué es clasificación?
a) Proceso en el cual se asigna un alias (que representa una clase)
a un patrón concreto.
b) Separar los objetos que se parecen entre sí.
c) Ordena las características de un patrón para hacerlo semejante a
otro patrón.
d) Elegir un conjunto de patrones con características similares.
4. ¿Qué es Pattern Matching?
a) Representa cada clase mediante un patrón prototipo.
b) Buscar similitudes entre patrones.
c) Agrupar las clases que tienen características parecidas.
d) Buscar sólo una coincidencia de entre un conjunto de patrones.
5. ¿Cuáles son las técnicas que identifican a las Redes Neuronales?
a) Clasificador de mínima distancia y Perceptrón multicapa
b) Clasificador bayesiano para clases gausianas y Perceptrón para
dos clases.
c) Adaptación por Correlación y Clasificador de mínima distancia.
d) Perceptrón para dos clases y Perceptrón multicapa.
6. ¿A qué se refiere la Clase de Rechazo?
a) Conjunto de entidades que no se pueden etiquetar como ninguna
de las clases del problema.
b) Clase que no tiene alguna característica entre ningún patrón
c) Es una clase que tiene demasiadas coincidencias entre las
características de varios patrones, por lo tanto, se rechazan
porque no serían una clase medible
d) Clase que define el análisis de otras clases.
7. ¿Cuáles son los conceptos básicos del reconocimiento de patrones?
a) Patrones, Reconocimiento o Clasificación, Clase, Clase de Rechazo,
Extractor de Características, Clasificador, Falso rechazo y Falsa
Aceptación
b) Adaptación, Clasificadores estadísticamente óptimos, Redes
Neuronales
c) Función Discriminante, Región de Decisión, Frontera de Decisión,
Decisor.
d) Ninguna de las anteriores
8.- ¿Qué función realiza el extractor de características?
a) Conjunto de entidades que no se pueden etiquetar como ninguna de
las clases del problema.
b) Subsistema que extrae información relevante para la clasificación a
partir de las entidades cuantificables.
c) Proceso en el cual se asigna un alias (que representa una clase) a
un patrón concreto.
d) Para problemas de 2 clases estas definiciones reflejan la importancia
de una decisión contra la opuesta. El sistema de clasificación se puede
“sintonizar” para que trabaje ponderando un tipo de error sobre el otro.
9. ¿Cuál es el objetivo del Reconocimiento de Patrones?
a) Análisis sobre objetos, físicos o abstractos con el propósito de extraer
información que permita agrupar las características en vectores
b) Objetivo de estudio son los procesos de identificación, caracterización,
clasificación y pronóstico sobre objetos, físicos o abstractos con el
propósito de extraer información que permita establecer propiedades de o
entre conjuntos de dichos objetos, así como las metodologías y técnicas
relacionadas con dichos procesos.
c) Objetivo de estudio son los procesos de recepción, procesamiento,
agrupación y reconocimiento sobre objetos, físicos o abstractos con el
propósito de extraer información que permita establecer propiedades de o
entre conjuntos de dichos objetos, así como las metodologías y técnicas
relacionadas con dichos procesos
d) Analizar objetos para saber a qué clase pertenecen.
10. ¿Qué es el reconocimiento mediante funciones discriminantes?
a) Utilizar ecuaciones diferenciales para generar un función discriminante y
así obtener el patrón correspondiente a un conjunto de objetos.
b) Es una técnica estadística multivariante cuya finalidad es analizar si
existen diferencias significativas entre grupos de objetos respecto a un
conjunto de variables medidas sobre los mismos para, en el caso de que
existan, explicar en qué sentido se dan y proporcionar procedimientos de
clasificación sistemática de nuevas observaciones de origen desconocido
en uno de los grupos analizados.
c) Es una técnica de métodos numéricos multivariante cuya finalidad es
analizar
si
existen
diferencias
significativas
entre
grupos
de
objetos
respecto a un conjunto de variables medidas sobre los mismos para, en el
caso de que existan, explicar en qué sentido se dan y proporcionar
procedimientos de clasificación sistemática de nuevas observaciones de
origen desconocido en uno de los grupos analizados.
d) Es una técnica de la Inteligencia Artificial multivariante cuya finalidad es
analizar
si
existen
diferencias
significativas
entre
grupos
de
objetos
respecto a un conjunto de variables medidas sobre los mismos para, en el
caso de que existan, explicar en qué sentido se dan y proporcionar
procedimientos de clasificación sistemática de nuevas observaciones de
origen desconocido en uno de los grupos analizados.
