Számítógépes látórendszerek - Ellenőrző kérdések: Detektálás, Osztályozás

← Vissza az előző oldalra – Számítógépes látórendszerek

Mit jelent a detektálás/lényegkiemelés, illetve az osztályozás? Milyen nehézségekkel kerülünk szembe az egyes feladatok esetén?

Detektálás/lényegkiemelés

Bonyolultabb, érdekes képrészletek, objektumok azonosítása.

Nehézség

• Különböző nézőpont
• Transzformáció

Ismertesse a template matching algoritmust! Milyen transzformációk esetén biztosít invarianciát az algoritmus?

Transzformációk

• Megvilágítás
  • A kereszt-korreláció se az additív, se a multiplikatív megvilágítás változásra sem invariáns!
  • Megoldás: Normalizáljuk a pixelértékeket!
    • Vonjuk le az átlagos intenzitást
    • És osszuk el őket a varianciájukkal
• Skála
  • Nincs skálainvariancia!
  • Template piramissal azért megoldható...
• Elforgatás
  • Nincs elforgatás invariancia!
  • Több, előre elforgatott template

Mit jelent a gépi tanulás?
Milyen típusai és tipikus feladatai vannak?
Mi az a bináris klasszifikációs probléma és hogyan terjeszthető ki nem bináris esetre?
Mit jelent a lineáris szétválaszthatóság?

Gépi tanulás

A mesterséges intelligencia egy fajtája. Explicit programozás nélkül old meg bizonyos feladatokat.

Típusai

1. Felügyelt tanulás (Supervised Learning): A tanítást példák alapján csináljuk → Az algoritmus ismeri a tanító példákra adandó helyes válszt
2. Felügyelet nélküli tanítás (Unsupervised Learning): Itt is vannak példák, de a helyes válasz nem ismert.
3. Megerősítéses tanulás (Reinforcement Learning): A működés során döntések sorozatát kell meghozni, de visszajelzés csak a sorozat végén lehetséges. Pl.: Járművezetés, Sakk

Feladatok

• Osztályozás: Bináris/több állapotú címke eltalálása
• Regresszió: Folytonos érték megbecslése

Bináris osztályozás

Cél: Egy olyan becslő elkészítése, amely az adatvektorok alapján képes azok címkéit meghatározni.

• A becslő struktúrájáról mi döntünk
• A paramétereit tanulás segítségével határozzuk meg

Nem bináris eset

Építkezzünk bináris osztályozókból! Stratégiák:

• 1 vs. mindenki más típusú osztályozók
• 1 vs. 1 típusú osztályozók: szavazásos módszer

Ismertesse a kNN algoritmust!

K Nearest Neighbor – k legközelebbi szomszéd Az osztályozandó példához legközelebb eső k tanító adatot vesszük figyelembe Az ő címkéjük alapján dönt az algoritmus az adott problémáról.

Ismertesse a Bayes hálók működését!

• Irányított körmentes gráf
• Csomópontok: Változók (Valószínűségi)
• Élek: Változók közti ok-okzati kapcsolatok (Feltételes eloszlásfüggvény)

Működés

Új adat (bizonyíték) érkezik → A háló sűrűségfüggvényeit frissíteni kell! A csomópontok üzennek egymásnak (mindkét irányban): Belief Propagation

Mi a mély tanulás és mire jó? Mutassa be a legfontosabb mély tanuló struktúrákat!

2015-ben nem kell!