Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Rozpoznawanie obrazów
Koordynator przedmiotu:
mgr inż. Rajmund Kożuszek
Status przedmiotu:
Fakultatywny dowolnego wyboru
Poziom kształcenia:
Studia II stopnia
Program:
Informatyka
Grupa przedmiotów:
Przedmioty techniczne - zaawansowane
Kod przedmiotu:
ROB
Semestr nominalny:
4 / rok ak. 2014/2015
Liczba punktów ECTS:
5
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
30 godzin wykładu 24 godziny przygotowania do sprawdzianów 30 godzin ćwiczeń laboratoryjnych 40 godzin przygotowania do ćwiczeń laboratoryjnych
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
30 godzin wykładu 30 godzin ćwiczeń laboratoryjnych co daje ok. 2.5 ECTS
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
30 godzin ćwiczeń laboratoryjnych 40 godzin przygotowania do laboratorium co daje ok. 3 ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium30h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
podstawowa znajomość algebry liniowej i rachunku prawdopodobieństwa
Limit liczby studentów:
24
Cel przedmiotu:
Celem wykładu jest zapoznanie słuchaczy z zagadnieniem rozpoznawania obrazów. W szczególności zostaną omówione: ogólna klasyfikacja systemów rozpoznawania obrazu, wybrane metody i techniki rozpoznawania obrazu oraz zagadnienia związane ze zbieraniem danych, segmentacją obrazu i redukcją wymiarowości wzorców. Przedstawione przykłady zastosowań omawianych metod w systemach rozpoznawania (wraz z ćwiczeniami laboratoryjnymi) pozwolą słuchaczom na analizę praktycznych aspektów rozpoznawania obrazów.
Treści kształcenia:
Wprowadzenie: elementy składowe systemu rozpoznawania obrazów; cykl projektowy tworzenia klasyfikatora; metody oceny jakości klasyfikatorów i systemów klasyfikacji. Klasyfikacja optymalna Bayesa: rola informacji a priori; postaci funkcji gęstości prawdopodobieństwa; klasyfikator optymalny Bayesa; uwzględnianie ryzyka i strat przy konstruowaniu klasyfikatora; granice decyzyjne klasyfikatorów; zgodność rozkładu danych z przyjętym rozkładem teoretycznym. Metody najbliższego sąsiedztwa: dopasowanie szablonów; klasyfikatory najmniejszej odległości; metryki; klasyfikatory k-NN; metody wyszukiwania najbliższego sąsiada; przyspieszanie wyszukiwania najbliższego sąsiada; edycja i redukcja zbioru uczącego. Klasyfikatory liniowe: liniowe funkcje decyzyjne; przestrzeń jednorodna; wyznaczanie granicy decyzyjnej: metoda wektorów nośnych; algorytm sekwencyjnej optymalizacji minimalnej. Redukcja wymiarowości: analiza składowych głównych; liniowa klasyfikacja Fishera; wielowymiarowa analiza dyskryminacyjna (MDA). Grupowanie: problem grupowania; ocena podobieństwa grupowania; algorytmy klasy k-średnich; grupowanie wstępujące; algorytmy grafowe; grupowanie na podstawie gęstości (DBSCAN). Sieci neuronowe: podstawowy model neuronu; algorytmy uczenia pojedynczego neuronu; interpretacja działania pojedynczego neuronu; sieci neuronowe; algorytm wstecznej propagacji błędu; sieci ze sprzężeniami zwrotnymi; pamięci asocjacyjne; pamięć Hopfielda; sieci samoorganizujące Kohonena; sieci typu ART. Modele Markowa: dyskretne procesy Markowa; ukryty proces Markowa; algorytm Viterbiego; algorytm Bauma-Welsha wyznaczania parametrów układu Markowa; problemy wykorzystania modeli Markowa w klasyfikacji. Wyszukiwanie tekstu: problem dokładnego i przybliżonego wyszukiwania tekstu; algorytm Boyera-Moora; odległość edycyjna; analiza tekstu z wykorzystaniem automatów niedeterministycznych i deterministycznych; drzewo i tablica przyrostków; algorytm Ukkonena konstruowania drzewa przyrostków; przybliżone wyszukiwanie z drzewem przyrostków; generowanie sąsiedztwa dla wyszukiwania z błędami; funkcje mieszające do szybkiego wyszukiwania. Drzewa decyzyjne: konstruowanie drzew decyzyjnych: podstawowy algorytm CART; ocena niejednorodności węzłów drzewa; kryteria stopu przy generowaniu drzewa; efekt horyzontu; algorytmy przycinania drzewa. Poprawa jakości klasyfikacji: podstawowe problemy konstruowania metaklasyfikatorów; głosowanie większościowe; kwestia niezależności klasyfikatorów; głosowanie z wagami; wyznaczanie wag; Bayesowskie metody składanie wyników klasyfikatorów; przestrzeń zachowanie-wiedza (Behavior-Knowledge space); metody konstruowania klasyfikatorów słabych (algorytm AdaBoost); korzystanie z informacji kontekstowej w klasyfikacji; kontekst w systemach OCR; wykorzystanie słowników i trigramów.
Metody oceny:
dwa sprawdziany (na 7. i przedostatnim wykładzie) w sumie 64 punkty 7 ćwiczeń laboratoryjnych: 2 oceniane w skali 0-6, 2 oceniane w skali 0-12 (ćwiczenie wprowadzające nieoceniane) w sumie 36 punków Ocena końcowa wyznaczana na podstawie sumy punktów
Egzamin:
nie
Literatura:
Duda R.O., Hart P.E., Stork D.G., Pattern Classification, Wiley-Interscience, 2000 Stąpor K., Automatyczna klasyfikacja obiektów, Exit, Warszawa 2005 Jain A. K., Fundamentals of Digital Image Processing, Prentice-Hall International Editions, Engelwood Hills, 1989 Tadeusiewicz R., Korohoda P., Komputerowa analiza i przetwarzanie obrazów, Wydawnictwo Fundacji Postępu Telekomunikacji, Kraków 1997 Press W. H., Numerical Recipes in C, Cambridge University Press, Cambridge 1992 (lub późniejsze wydania)
Witryna www przedmiotu:
https://studia.elka.pw.edu.pl/priv/14L/ROB.A
Uwagi:
.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt ROB_W01
Zna podstawowe metody klasyfikacji wzorców
Weryfikacja: kolokwium, ćwiczenia laboratoryjne
Powiązane efekty kierunkowe: K_W12, K_W06, K_W08, K_W09
Powiązane efekty obszarowe: T2A_W08, T2A_W04, T2A_W07, T2A_W03
Efekt ROB_W02
Zna metody wstępnej analizy danych oraz ich grupowania
Weryfikacja: kolokwium, ćwiczenia laboratoryjne
Powiązane efekty kierunkowe: K_W06, K_W08, K_W09
Powiązane efekty obszarowe: T2A_W04, T2A_W07, T2A_W03
Efekt ROB_W03
Zna podstawowe metody konstruowania zespołów klasyfikatorów
Weryfikacja: kolokwium, ćwiczenia laboratoryjne
Powiązane efekty kierunkowe: K_W12, K_W08
Powiązane efekty obszarowe: T2A_W08, T2A_W07

Profil ogólnoakademicki - umiejętności

Efekt ROB_U01
Potrafi przeprowadzić analizę zbioru uczącego, zaprojektować prosty klasyfikator i ocenić jego jakość
Weryfikacja: ćwiczenia laboratoryjne
Powiązane efekty kierunkowe: K_U01, K_U06
Powiązane efekty obszarowe: T2A_U01, T2A_U08, T2A_U09
Efekt ROB_U02
Potrafi, na podstawie oceny zbioru uczącego, dobrać metodę klasyfikacji oraz określić jej parametry
Weryfikacja: kolokwium, ćwiczenia laboratoryjne
Powiązane efekty kierunkowe: K_U01, K_U06, K_U07
Powiązane efekty obszarowe: T2A_U01, T2A_U08, T2A_U09, T2A_U10
Efekt ROB_U03
Potrafi krytycznie ocenić rozwiązanie problemu klasyfikacji i zaproponować jego usprawnienia
Weryfikacja: kolokwium, ćwiczenia laboratoryjne
Powiązane efekty kierunkowe: K_U07, K_U10, K_U11
Powiązane efekty obszarowe: T2A_U10, T2A_U15, T2A_U16