svm cz.2
DESCRIPTION
SVM cz.2. Plan wykładu. Przypomnienie i demonstracja Klasyfikacja wieloklasowa Zastosowania w rozpoznawaniu twarzy. SVM jako klasyfikator. Cel: możliwość przyporządkowania elementu do jednej z klas Dwa etapy: nauka klasyfikacja próbek. SVM – charakterystyka. - PowerPoint PPT PresentationTRANSCRIPT
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
SVM cz.2
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Plan wykładu
Przypomnienie i demonstracjaKlasyfikacja wieloklasowaZastosowania w rozpoznawaniu twarzy
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
SVM jako klasyfikator
Cel: możliwość przyporządkowania elementu do jednej z klasDwa etapy: nauka klasyfikacja próbek
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
SVM – charakterystyka
Rozwiązywanie problemów separowalnych liniowoZwiększenie liczby wymiarów danych wejściowych Znajdowanie optymalnej hiperpłaszczyzny maksymalizacja marginesu
rozdzielającego próbki
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Dodanie wymiarów
Funkcja:Konieczna zamiana x(x)Wykorzystywany iloczyn skalarnyIloczyn skalarny = jądro przekształcenia
Zbędna znajomość funkcji
Mn RR :
)()(),( vuvuK
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Jądra przekształceń
Liniowe
Wielomianowe
RBF (radial basis functions)
2
2||
),( vu
evuK
vuvuK ),(
dvuvuK )1(),(
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Hiperpłaszczyzna
Optymalna hiperpłaszczyzna:w0 • x + b0 = 0
dla przykładu 2D jest to prosta
Optymalna szerokość marginesu:
00000
2
||
2
www),bρ(w
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Wektory wspierające
Margines:Optymalna hiperpłaszczyzna:
yi – identyfikator klasy i – mnożniki Lagrange’a
Problem: znaleźć i
1)( bxwy ii
l
iiii xyw
1
00
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Rezultat optymalizacji
Współczynniki : niezerowe dla wektorów wspierających równe zeru dla reszty wektorów
Próbka treningowa po nauce: wektory wspierające współczynniki dla każdego wektora liczba wektorów zdecydowanie mniejsza
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Nauka 1
...n
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Klasyfikacja SVM
Obliczenie y dla dowolnego wektora:
xr, xs – wektory wspierające z obydwu klas
Wybór klasy i moc przynależności
bxxKyxfl
iiii
1),()(
l
isiriii xxKxxKyb
1)],(),([
2
1
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Miękki margines
Nauka z błędem:
Minimalizacja liczby błędówModyfikacja optymalizowanej funkcjiParametr C: 1/C – tolerancja błędu
iii bxwy 1)(
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Bez miękkiego marginesu
Maksymalizacja funkcji:
DW TT
2
11)(
),( jijiij xxKyyD
0 0 YT ) ,..., (1l
Ty y Y
),...,( 1 lT
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Z miękkim marginesem
Maksymalizacja funkcji:
)(2
11),(
2
CDW TT
),( jijiij xxKyyD
1 0 0 YT ) ,..., (1l
Ty y Y
),...,( 1 lT
0
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Prezentacja...
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Klasyfikacja wieloklasowa
Przedstawienie problemu
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Klasyfikacja wieloklasowa
Punkt wyjścia – klasyfikacja dwuklasowaPróbka treningowa – N klasMożliwe podejścia: wykorzystanie klasy bazowej porównywanie 1 – N porównywanie 1 – 1
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Metoda klasy bazowej
Jedna z klas traktowana jako klasa bazowaKlasyfikacja każdej z klas z wybraną klasą bazowąWygrywa najmocniejsza odpowiedźKlasyfikacja wieloklasowa: N – 1 klasyfikacji dwuklasowych
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Przykład...
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Przykład...
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Przykład...
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Przykład...
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Przykład...
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Cechy metody
Zalety: duża szybkość skuteczna dla łatwo separowalnych
klas niebazowych
Wady: słabe możliwości separowania
klas niebazowych
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Porównywanie 1 – N
Każda klasa porównywana z resztąDecyduje najsilniejsza odpowiedźPorównanie z metodą klasy bazowej: Bardziej uniwersalne podejście Porównywalna szybkość
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Przykład...
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Porównywanie 1 – 1
Każda klasa porównywana z każdąNajwiększa dokładnośćN(N – 1)/2 klasyfikacji dwuklasowychNiektóre porównania są nadmiarowe
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Zastosowania SVM
Detekcja i weryfikacjaPorównywanie wektorów cechŁączenie wynikówInne zastosowania związane z klasyfikacją wektorów
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Detekcja twarzy
Wykrywanie elips uogólniona Transformata Hougha zbiór kandydatów na twarze
Wstępna normalizacja kandydatówWeryfikacja porównywanie obrazu ze średnim zastosowanie klasyfikatora (SVM)
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Porównywanie wektorówCel: określenie podobieństwa wektorów cechOdległość dwóch wektorów: Euklidesowa Mahalanobisa
SVM określa podobieństwo: dwóch wektorów wektora będącego różnicą
porównywanych wektorów
K11
K12
K1n
...
K21
K22
K2n
...
K11
K12
K1n
...
K21
K22
K2n
...
SVM
Ta sama klasa
Różne klasy
SVM
Ta sama klasa
Różne klasy
K11 - K21
...
K12 - K22
K1n - K2n
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Łączenie metod
Wiele metod ekstrakcji cech
S1
S2
Sn
... S
K1
K2
Kn
...
Dwa obrazy Wektory cech Podobieństwa
K1
K2
Kn
...
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
SVM i łączenie metod
Klasyfikacja wektora podobieństw jądro liniowe jądro wielomianowe długi czas wykonania
Wykorzystanie treningu z jądrem liniowym wagi dla poszczególnych elementów obliczanie średniej ważonej
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Inne zastosowania SVM
Detekcja kąta obrotu głowyWyznaczanie kierunku padania światłaOkreślanie pewności rozpoznania klasyfikacja wektora posortowanych
podobieństw do elementów bazy
Ocena jakości obrazu twarzy zastosowanie przy sekwencjach video
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Wyniki
Znaczna poprawa dla metody opartej o Gabor WaveletsBrak zadowalających rezultatów dla Eigenfaces prawdopodobna przyczyna:
niereprezentatywna próbka
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Ograniczenia SVM
Stała, stosunkowo mała liczba klasZbiór treningowy: potrzebna duża ilość danych próbki muszą być reprezentatywne!
Ciężko dobrać optymalne parametry
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
SVM i sieci neuronowe
SVM: bardziej przejrzysty mechanizm większa kontrola niż w przypadku ANN implementuje podstawowe rodzaje
ANN przydatny do przetwarzania obrazów
ANN: więcej zastosowań możliwa realizacja sprzętowa
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Podsumowanie
Klasyfikacja wieloklasowa: kilka możliwości różna złożoność czasowa
SVM – bardzo uniwersalny mechanizmSzerokie zastosowanie
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Dziękuję za uwagę!