técnicas de aprendizado ativo para reconhecimento de padrões · t ecnicas de aprendizado ativo...
TRANSCRIPT
-
Técnicas de Aprendizado Ativopara Reconhecimento de Padrões
Priscila Tiemi Maeda SaitoOrientador: Prof. Dr. Alexandre Xavier Falcão
Co-Orientador: Prof. Dr. Pedro Jussieu de Rezende
Universidade Estadual de Campinas (UNICAMP)Instituto de Computação (IC), Campinas, Brasil
06 de dezembro de 2011
IC (UNICAMP) WMACV2011 [email protected] 1 / 16
-
Roteiro
1 Introdução
2 Abordagem Proposta
3 Experimentos
4 Resultados
5 Conclusão
IC (UNICAMP) WMACV2011 [email protected] 2 / 16
-
Introdução
Aumento do volume de informações em grandes bases de dados
demandam abordagens para processamento, recuperação e análise
Desenvolvimento de um sistema de reconhecimento de padrõesprocesso de anotação dos dados
Problemasinviabilidade de anotações manuais em grandes bases de imagens
Aprendizado de máquina e interação humano-computadoraspecto fundamental explorado neste trabalho
IC (UNICAMP) WMACV2011 [email protected] 3 / 16
-
Motivação
Anotação prévia de dados é um processo inviável
grande quantidade de amostras para o treinamento
Métodos da literatura utilizam anotação durante o aprendizado
área de recuperação de informação para classificação binária
classificação de múltiplas categorias/classes
classificação de todas as imagens da base, ordenação e poda
escolha das imagens mais informativas para o aprendizado
IC (UNICAMP) WMACV2011 [email protected] 4 / 16
-
Objetivo
técnicas de aprendizado ativo com anotação durante o aprendizado
técnicas de análise e ordenação dos dados
selecionar amostras mais informativas para projetar o classificador
Desafio
Minimizar as intervenções do especialista no processo de anotação
Maximizar a acurácia do classificador
IC (UNICAMP) WMACV2011 [email protected] 5 / 16
-
Abordagem Clássica
Extração deDescritores
Análise eOrdenação
Marcaçãode Classes
ImagensAnotadas Aprendizado
Classificador
Usuário
Base deImagens
Base deDescritores
Seletor deImagens
ok?sn
Extração deDescritores
Base deImagens
Base deDescritores
ciclo de realimentação
Seletor de Imagens
BaseAnotadas
Base NãoAnotadas
ImagensAnotadas Aprendizado
ClassificadorSupervisionado
Usuário
Seletor deImagens
Base deAnotadas
Base de NãoAnotadas
Análise eOrdenação
ImagensRetornadas
ImagensRotuladas
Imagens NãoRotuladas
Ciclo de Realimentação
Análise eOrdenaçãoClassificação
Ordenação
Poda
Seletor de imagens a cada iteração
ineficiente e/ou inviável para grandes bases de dados
IC (UNICAMP) WMACV2011 [email protected] 6 / 16
-
Abordagem Clássica
Extração deDescritores
Análise eOrdenação
Marcaçãode Classes
ImagensAnotadas Aprendizado
Classificador
Usuário
Base deImagens
Base deDescritores
Seletor deImagens
ok?sn
Extração deDescritores
Base deImagens
Base deDescritores
ciclo de realimentação
Seletor de Imagens
BaseAnotadas
Base NãoAnotadas
ImagensAnotadas Aprendizado
ClassificadorSupervisionado
Usuário
Seletor deImagens
Base deAnotadas
Base de NãoAnotadas
Análise eOrdenação
ImagensRetornadas
ImagensRotuladas
Imagens NãoRotuladas
Ciclo de Realimentação
Análise eOrdenaçãoClassificação
Ordenação
Poda
Seletor de imagens a cada iteração
ineficiente e/ou inviável para grandes bases de dados
IC (UNICAMP) WMACV2011 [email protected] 6 / 16
-
Abordagem Clássica
Grandes bases de dados dificultam uso de abordagens clássicas
usuário separa determinada quantidade de imagens
seletor consiste de classificação, ordenação e poda a cada iteração
Acurácias elevadas requerem grande quantidade de imagensanotadas
inviabilidade do ponto de vista do usuário
IC (UNICAMP) WMACV2011 [email protected] 7 / 16
-
Abordagem Proposta
Quantas amostras devem ser utilizadas no processo deanotação?
Quais amostras devem ser utilizadas?
Selecionar um número reduzido de imagens mais representativas para oaprendizado do classificador a cada iteração
IC (UNICAMP) WMACV2011 [email protected] 8 / 16
-
Abordagem Proposta
Extração deDescritores
Análise eOrdenação
Marcaçãode Classes
ImagensAnotadas Aprendizado
Classificador
Usuário
Base deImagens
Base deDescritores
Seletor deImagens
ok?sn
Extração deDescritores
Base deImagens
Base deDescritores
ciclo de realimentação
Seletor de Imagens
BaseAnotadas
Base NãoAnotadas
ImagensAnotadas Aprendizado
ClassificadorSupervisionado
Usuário
Seletor deImagens
Base deAnotadas
Base de NãoAnotadas
Análise eOrdenação
ImagensRetornadas
ImagensRotuladas
Imagens NãoRotuladas
Ciclo de Realimentação
Análisee Ordenação
Classificaçãoe Poda
Análise e ordenação uma única vez
Seletor de imagens a cada iteração
eficiente para grandes bases de dados
IC (UNICAMP) WMACV2011 [email protected] 9 / 16
-
Abordagem Proposta
Extração deDescritores
Análise eOrdenação
Marcaçãode Classes
ImagensAnotadas Aprendizado
Classificador
Usuário
Base deImagens
Base deDescritores
Seletor deImagens
ok?sn
Extração deDescritores
Base deImagens
Base deDescritores
ciclo de realimentação
Seletor de Imagens
BaseAnotadas
Base NãoAnotadas
ImagensAnotadas Aprendizado
ClassificadorSupervisionado
Usuário
Seletor deImagens
Base deAnotadas
Base de NãoAnotadas
Análise eOrdenação
ImagensRetornadas
ImagensRotuladas
Imagens NãoRotuladas
Ciclo de Realimentação
Análisee Ordenação
Classificaçãoe Poda
Análise e ordenação uma única vez
Seletor de imagens a cada iteração
eficiente para grandes bases de dados
IC (UNICAMP) WMACV2011 [email protected] 9 / 16
-
Método Proposto: Cluster+MST+OPF
Extração deDescritores
Análise eOrdenação
Marcaçãode Classes
ImagensAnotadas Aprendizado
OPF
Usuário
Base deImagens
Base deDescritores
Seletor deImagens
ok?sn
Extração deDescritores
Base deImagens
Base deDescritores
ciclo de realimentação
Seletor de Imagens
BaseAnotadas
Base NãoAnotadas
ImagensAnotadas Aprendizado
ClassificadorSupervisionado
Usuário
Seletor deImagens
Base deAnotadas
Base de NãoAnotadas
Análise eOrdenação
ImagensRetornadas
ImagensRotuladas
Imagens NãoRotuladas
Ciclo de Realimentação
Cluster+MST e Ordenação
Classificaçãoe Poda
Análise e ordenação uma única vez
Seletor de imagens a cada iteração
eficiente para grandes bases de dados
IC (UNICAMP) WMACV2011 [email protected] 10 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
Grafo Original(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, ?)
(6, ?)(11, ?)
(0, ?) (16, ?)
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, ?)
(6, ?)(11, ?)
(0, ?) (16, ?)
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, )1
(6, )2(11, ?)
(0, ?) (16, ?)
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, 1)
(6, 2)(11, ?)
(0, ?) (16, ?)
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, 1)
(6, 2)(11, ?)
(0, )1 (16, )1
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, 1)
(6, 2)(11, ?)
(0, 1) (16, 1)
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, 1)
(6, 2)(11, )1
(0, 1) (16, )1
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, 1)
(6, 2)(11, 1)
(0, 1) (16, 1)
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, 1)
(6, )2(11, 1)
(0, 1) (16, )1
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, 1)
(6, 2)(11, 1)
(0, 1) (16, 1)
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, 1)
(6, 2)(11, 1)
(0, 1) (16, 1)
(5, ?)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, 1)
(6, 2)(11, 1)
(0, 1) (16, )1
(5, )2
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Método Proposto: Cluster+MST+OPF
Análise e ordenação
Realizar o agrupamento do conjunto de amostras não rotuladas
Computar a MST do conjunto de amostras de fronteira entre clusters
Seletor de imagens
Exibir as imagens que são vértices das c − 1 maiores arestasimagens de classes distintas segundo a classificação corrente
0 1
4
35
2
19
33
18
10
516
21 11
14
6
0 1
4
35
2
18
516
116
0 1
4
35
2
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, )1
(11, 1)(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, )1(6, 2)
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, 2)
(16, 1)
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
0 1
4
35
2
(18, 2)
(5, 2)
(0, 1)
(11, 1)(6, )2
(16, )1
(18, 1)
(6, 2)(11, 1)
(0, 1) (16, 1)
(5, 2)
Grafo Original(amostras de fronteira)
MST(amostras de fronteira)
IC (UNICAMP) WMACV2011 [email protected] 11 / 16
-
Experimentos
Base de Imagens:
Faces
1864 imagens
54 classes
162 atributos
≈ 80% para conjunto de dados não rotulados (1469 imagens)
≈ 20% para conjunto de teste (395 imagens)
IC (UNICAMP) WMACV2011 [email protected] 12 / 16
-
Resultados Preliminares
Base Faces
acurácias maiores em relação às do método tradicional
redução significativa no número de amostras anotadas
IC (UNICAMP) WMACV2011 [email protected] 13 / 16
-
Resultados Preliminares
Base Faces
acurácias maiores em relação às do método tradicional
redução significativa no número de amostras anotadas
IC (UNICAMP) WMACV2011 [email protected] 13 / 16
-
Conclusão
Método Cluster+MST+OPF:
técnicas de agrupamento (menos iterações)
aprendizado ativo (menos interações)
anotações humanas (menos iterações e menos interações)
lida com grandes bases de dados
fornece grau de acurácia elevado
IC (UNICAMP) WMACV2011 [email protected] 14 / 16
-
Questões/Discussões
IC (UNICAMP) WMACV2011 [email protected] 15 / 16
-
Técnicas de Aprendizado Ativopara Reconhecimento de Padrões
Priscila Tiemi Maeda SaitoOrientador: Prof. Dr. Alexandre Xavier Falcão
Co-Orientador: Prof. Dr. Pedro Jussieu de Rezende
Universidade Estadual de Campinas (UNICAMP)Instituto de Computação (IC), Campinas, Brasil
06 de dezembro de 2011
IC (UNICAMP) WMACV2011 [email protected] 16 / 16
IntroduçãoAbordagem PropostaExperimentosResultadosConclusão