4.6. Проблема распознавания лиц

Задачи:

• Face detection

• Face tracking

• Face verification

• Face recognition

Ранние подходы в FRS.

• Корреляция (сравнение с шаблоном)

• Фильтрация и сравнение

• Сравнение цветовых потоков.

Современные подходы:

• Геометрический (по масочным шаблонам)

• Разложение на eigenfaces.

• Несупервизорные статистические методы (базисные изображения, лицо – линейная комбинация)

Пример. RFS на основе статистического подхода.

N>n>m

IGF – independent gabor fitch.

98% правильного распознавания на базе Ferret, 100% на другой базе.

Z(x,y) – набор признаков.

µ, v – коэффициенты ориентации и масштаба G – ядер.

.

Ядра:

Набор GWT, 5 масштабов, 8 ориентаций.

4.7. Проблема распознавания трехмерных объектов

Подходы:

• Реконструировать форму из трёхмерных примитивов

• Прямо из двухмерных проекций – запись в шаблон.

Графы аспектов – кластеризация бесконечного набора возможных видов объектов в конечный вид (должны быть инвариантны), узел – изменение топологии, дуга – как изменяется объект.

Кластеризация видов – должна быть выполнена с учетом топологии.

MANN:

Такая модульная сеть может выполнять автоматическое распознавание трёхмерных объектов (без учителя). Каждый автокодировщик компрессирует изображение и даёт сигнал выхода в низкоразмерном пространстве, разделяет на сгруппированные в классы объекты. Несупервизорный алгоритм кластеризации, для сжатия – алгоритм PCA.

4. Получение знаний

4.1. Извлечение знаний

KA – Knowledge Acquisition.

Схемы ситуаций:

Свойства системы/баз знаний: полнота, корректность, устойчивость.

Получение знаний.

KE – Knowledge Elicitation.

Эксперты работают с компьютером, записываются правила в формате.

АРМ экспертов, полуавтоматическая система.

4.2. Автоматическое формирование знаний (Обучение)

KD (from data) – Knowledge Discovery. ~ Maching Learning.

Искусственные когнитивные системы, в процессе работы насыщаются знаниями.

Обучение – способность к приобретению ранее неизвестных умений и навыков.

Введение в память готовых ПО – не обучение.

Система должна сама автоматически извлекать знания из текущей информации и использовать их для улучшения поведения.

Математическое описание:

Оптимизационная задача, задача поиска или синтеза описаний заданной конкретной области.

.

L – обучение;

- множества входо-выходных данных;

G – множество целевых «правильных» отношений, которые требуется запоминать;

R – множество текущих отношений, поисковое (шире целевого);

- критерий качества для поиска среди текущих отношений.

Поиск оптимального по критерию описания, так чтобы выполнить цель, сопоставить R, G, оптимизировать по .

Подходы:

1. Экспертное обучение (копирующее)

2. Метод статистических гипотез

- вероятность соответствия текущих и целевых отношений, вероятностное обучение, вероятностное подтверждение гипотез.

3. Метод параметрической адаптации

4. Метод аналогии

Подобие объектов и процессов.

5. Обучение по дедукции и индукции (логическое)

Построить цепочку правил, обобщить правила и распространить на новое. Но работают при малой размерности, так как требуются логические рассуждения.

6. Метод обучения с генетическим алгоритмом (эволюционный)

7. Использование мета-знаний.