La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Reconnaissance des formes cours de D.E.A. Introduction S. Canu psichaud.insa-rouen.fr/~scanu/RdF.

Présentations similaires


Présentation au sujet: "Reconnaissance des formes cours de D.E.A. Introduction S. Canu psichaud.insa-rouen.fr/~scanu/RdF."— Transcription de la présentation:

1 Reconnaissance des formes cours de D.E.A. Introduction S. Canu psichaud.insa-rouen.fr/~scanu/RdF

2 Objectifs du cours –Principes de base de la RdF –règle de décision –cout, règle de Bayes –matrice de confusion courbe C.O.R. –Méthode de développement dune application de RdF –méthodes et Algorithmes –méthodes « historiques » (analyse discriminante) –kppv, CART (arbres de décision) –réseaux de neurones : optimisation –EM –Ouvertures et perspectives ( fusion de données, flou, DS,…)

3 Aspects pratiques du cours –Exam final 50 % de la note –TP 1 : étude biblio : 15 % –TP 2 : page web : 15 % –TP 3 : programme matlab, octave,… 15 % –quiz : 5 % (0 ou +1) Biblio : – les livres du cours K. Fukunaga, Introduction to Statistical Pattern Recognition (Second Edition), Academic Press, New York, P.A. Devijver and J. Kittler, Pattern Recognition, a Statistical Approach, Prentice Hall, Englewood Cliffs, R.O. Duda and P.E. Hart, Pattern classification and scene analysis, John Wiley & Sons, New York, L. Breiman, J.H. Friedman, R.A. Olshen, and C.J. Stone, Classification and regression trees, Wadsworth, L. Devroye, L. Györfi and G. Lugosi, A Probabilistic Theory of Pattern Recognition, (Springer-Verlag 1996) S. Haykin, Neural Networks, a Comprehensive Foundation. (Macmillan, New York, NY., 1994) V. N. Vapnik, The nature of statistical learning theory (Springer-Verlag, 1995) B. Dubuisson, Diagnostic et reconnaissance des formes (Hermès, 1990) M. Milgram, Reconnaissance des formes, méthodes numériques et connexionnistes, (Armand Colin, collection 2ai, 1993 les journaux – pattern recognition les conférences

4 Quelques exemples de RdF

5

6 – Cest un rond, cest un carré, (une forme quoi !) – le feu est vert, (je passe, ou je marrête ! Classe = action possible) – votre électrocardiogramme est normal : diagnostic = détection : signal ou bruit (inspection : qualité, monitoring) – cest une facture téléphone (reconnaissance syntaxique : les « règles ») – odeur : cest une madeleine – caractère - écriture (cest une lettre, un mot, une phrase, un sens) – parole (forme temporelle) – voix, identification : cest Chirac aux guignol, localisation dune source et séparation – visage (vision) – identification : visage + voix + odeur + empreintes : cest « Chirac » – une voiture (concept imprécis) – il va pleuvoir (fusion de données - décision incertaine) Aspects humains

7 Quelques problèmes de RdF – Cest un rond, cest un carré, Distance avec des formes de références – le feu est vert, (je passe, ou je marrête)Représentation des caractéristiques – votre électrocardiogramme est normal : diagnostic = détection : signal ou bruit Cadre aléatoire – cest une facture téléphone Modèle = les « règles » (même source) – odeur : cest une madeleine capteur complexe – caractère - écriture complexité de la tâche (cest une lettre, un mot,...)modélisation par apprentissage – parole (forme temporelle)Temps (système évolutif :environnement) – voix (cest Chirac aux guignol), complexité de lespace des caractéristiques – visage (vision)invariances – identificationfusion - (informations hétérogènes) – une voiture (concept imprécis)définition des classes (monitoring) – il va pleuvoir décision aléatoire

8 Les différentes phases des algorithmes de reconnaissance des formes source représentation caractéristiques décision (action) capteur Prétraitement extraction de caractéristiques Algorithme de R des F espace des sources espace des caractéristiques espace des décisions

9 Quelques problèmes de RdF problème sources caractéristiques actions – Cest un rond, cest un carré, – le feu est vert, (je passe, ou je marrête) – votre électrocardiogramme est normal : diagnostic = détection : signal ou bruit – cest une facture téléphone – odeur : cest une madeleine – caractère - écriture (cest une lettre, un mot,...) – parole (forme temporelle) – voix (cest Chirac aux guignol), – visage (vision) – identification – une voiture (concept imprécis) – il va pleuvoir

10 Buts de la RdF Algorithme de Reconnaissance des Formes Une forme x (vecteur forme des caractéristiques) Cest la forme « y » 1. Un algorithme de reconnaissance des formes est une règle de Décision (déterministe dans le cours) 2. Une règle de décision déterministe établie un partitionnement de lespace des caractéristiques Cest le problème de discrimination « je ne sais pas », « inconnue »

11 Sources - Actions - Classes Règles de décision XnXn X1X x x x x x x x x x x x x x x Frontière de décision fonction b(x)=0 telle que D(x-e) = D(x+e) prototypes XnXn X1X x x x x x x x x x x x x x x Rejet de distance XnXn X1X x x x x x x x x x x x x x x Rejet dambiguïté

12 Buts de la RdF D : Algorithme de Reconnaissance des Formes Une forme x (vecteur forme des caractéristiques) Cest la forme « y=D(x) » Nous voulons un algorithme de RdF performant

13 Coûts : matrice de confusion Vraie classe … k … K Décision L ? ?? Rejet (ambiguïté et distance) Si je décide laction a l alors que la « vraie » classe est s k Combien coûte cette décision ?

14 Coûts : matrice de confusion Vraie classe … k … K Décision L ? ?? Rejet (ambiguïté et distance) Si je décide laction a l alors que la « vraie » classe est s k Combien coûte cette décision ? La réalité notre décision Malade pas malade On soigne on ne soigne pas 0 0

15 Coûts : matrice de confusion Vraie classe … k … K Décision L ? ?? Rejet (ambiguïté et distance) Sur les 1500 « cas » testés, voici les résultats de lalgorithmes de RdF La réalité notre décision Malade pas malade On soigne on ne soigne pas

16 Algorithme de coût minimum

17 Coût minimum : cadre probabiliste La source S est une variable aléatoire P(observer un « E ») exemple des malades P(malade) = 15/1000 cas équiprobable P(S=s k ) = 1/K (1/2 si K=2)

18 Coût minimum : cadre probabiliste La source S est une variable aléatoire P(observer un « E ») exemple des malades P(malade) = 15/1000 cas équiprobable P(S=s k ) = 1/K (1/2 si K=2)

19 Coût minimum : cadre probabiliste Illustration 1d pour deux classes f X (x,0) ~ N ( 0,1) f X (x,1) ~ N ( 1,1)

20 Coût minimum : cadre probabiliste Toutes les classes En moyenne On recherche la règle de décision de coût minimum

21 A savoir Variable aléatoire cas discret (un exemple) cas continu (un exemple) Probabilité, probabilité conditionnelle fonction de répartition et densité loi usuelles : bernouilli, binomiale, poisson, normale Espérance, cas discret (un exemple) cas continu (un exemple) Variance Quiz de 5 minutes la semaine prochaine

22 Buts de la RdF 2 points de vue : utilisateur - concepteur Algorithme de Reconnaissance des Formes Une forme (vecteur forme des caractéristiques) Cest la forme « y » Méthode de construction de lAlgorithme de Reconnaissance des Formes

23 Les enjeux de la RdF Lapprentissage : ce quun bébé réalise en deux ans, aucune machine nest aujourdhui capable de la réaliser : et il a besoin dexemples (cf les expériences folles du duc de Bavière) modéliser linformation, dépasser la complexité fusion de données représentation des incertitudes

24 Problèmes de la RdF Décision apprentissage sélection dentrée évaluation des performances prise en compte du temps fusion de données hétérogènes

25 Les différentes étapes dune application de RdF – Recueil des données brutes – génération de caractéristiques – sélection des caractéristiques pertinentes – étiquetage des classes – conception du classifieur – évaluation du système

26 notations espace des sources J coût d une règle de décision (erreur de prédiction)

27 Méthodes de RdF

28 La RdF par apprentissage

29


Télécharger ppt "Reconnaissance des formes cours de D.E.A. Introduction S. Canu psichaud.insa-rouen.fr/~scanu/RdF."

Présentations similaires


Annonces Google