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.

Osztályozás

Cél: A képen különböző objektum kategóriák detektálása. Általános kategóriák (ember, szék, autó, stb.), nem konkrét objektumok

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

• Felügyelt tanulás
  • Osztályozás: Bináris/több állapotú címke eltalálása
  • Regresszió: Folytonos érték megbecslése
• Felügyelet nélküli tanulás
  • Reprezentációk tanulása
    • Klaszterezés (Clustering)
    • Dimenzió redukció
      • PCA – Főkomponens Analízis (Principal Component Analysis)
    • Mély Tanulás (Deep Learning)
      • Autoencoder, RBM (Restricted Boltzmann Machine) DBN (Deep Belief Networks)

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

Ismertesse a Support Vector Machine (SVM) algoritmust!
Hogyan terjeszthető ki nemlineáris esetre?

Support vector

Azok a vektorok, amelyek távolsága az elválasztó hipersíktól pont a rés mértéke

• Mindig legalább kettő SV van – a sík két oldalán
• Miért? Mert különben a síkot arrébb lehet mozgatni, hogy mindkét vektortól ugyanolyan távolságra legyen → a rés növekedni fog.

Tanuló algoritmus

Az elválasztó hipersíkot nem a normálvektorával és az origótól vett távolsággal, hanem a support vektorok segítségével írja le. Maximális résű elválasztó síkot talál

Mi a klaszterezés, mire jó?
Ismertessen klaszterező algoritmusokat!
Mi az erős és a gyenge hozzárendelés, és hogyan kapcsolódik az egyes algoritmusokhoz?

Klaszterezés

• Felügyelet nélküli tanulási módszer
• Feladat: Adott egy halmaz. Szedjük őket részhalmazokra (klaszterekre), úgy, hogy az valamilyen szempontból optimális legyen Minden klaszternek sorszáma van → Ez lesz az adat címkéje.

Algoritmusok

1. k-Means:
   1. Vegyünk fel k db pontot (ezek lesznek a középpontok) véletlenszerűen
   2. A konvergenciáig:
      1. Minden pontot rendeljünk hozzá ahhoz a klaszterhez, amelyik középpontjához a legközelebb van
      2. A klaszterek új középpontja legyen a hozzá tartozó pontok átlaga
2. Mixture of Gaussians (MoG)
   1. A pontok eloszlását képzeljük el k db normális eloszlás összegeként
   2. Határozzuk meg ezeket az eloszlásokat a maxmimum likelihood elv segítségével

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

2015-ben nem kell!