If you can't read please download the document
Upload
ernie
View
37
Download
3
Embed Size (px)
DESCRIPTION
Aplikace Machine Learning v Image Processing. Irena Váňová. Osnova. Motivace Aproximace signálu pomocí slovníku Matching Pursuit, OMP Porovnání těchto metod s jinými Vytváření vlastního slovníku MOD, K-SVD Aplikace těchto algoritmů. location. scale. orientation. Motivace. - PowerPoint PPT Presentation
Citation preview
Aplikace Machine Learning v Image ProcessingIrena Vov
OsnovaMotivaceAproximace signlu pomoc slovnkuMatching Pursuit, OMPPorovnn tchto metod s jinmiVytven vlastnho slovnkuMOD, K-SVDAplikace tchto algoritm
MotivaceGaborovy waveletyActive basis pursuit
Kokopes
Basic Matching PursuitMme fci f, a jej hodnoty {y1,,yl} v bodech {x1,,xl}
Slovnk mnoina fc {g1,,gM}
Chceme minimln chybuChyba = kvadrt normy, Globln minimum - NP
Greedy pstupHledme bzi gi a koeficienty 0. przdn bzen. mme g1,,gn a hledme gn+1:nech mme gn+1 , pak
chceme minimalizovat
zvolme gn+1, max. kolinernost s RnStop. Chyba klesne pod danou hodnotu
Pklad
Upgrade 1. - OMPBack-fitting, Orthogonal MPStejn postup hledn gn+1Zafixujeme gi a minimalizujeme pes - linern regrese
Upgrade 2.Pre-fitting, lze spotat pes projekce
Basic, fix. ve krom gn+1Back-fitting, fix. g1,,gn+1 hledmePre-fitting, fix pouze g1,,gn
Pouit matching pursuitPvodn pochz ze signal processing, wavelets skupinSignl = souet funkcNov uplatnn: Machine learningRegresn kivka = souet funkcNutnost zavst obecnj ztrtovou funkci
Rozen pstupuMme obecnou ztrtovou fci L(yi,fn(xi))Pedefinujeme reziduum RnSmr nejvtho spdu v prostoru fc
Back-fitting mon, ale asov nron
RegreseChceme vyjdit klasifikan fci regrese MP s obecnj ztrtovou fc
Kernel MPMme danou kernel fci KSlovnk je kernel v kadm trnovacm bod
Aproximace jsou indexy support points
Vhody KMPdn omezen na kernelyVce ne jeden tvar, mtko kernelu pro vechny, pro jednu tduVloit do slovnku libovoln fceKonstantn,
Porovnn s SVM, mapovn do novch dimenzMinimalizujemeJin funkce, jin chybaKontrola dkosti
Tool pklady100 iteracBasicKMPStejn kernel - Gausin7 iteracPre-fittingKMP7 iteracback-fittingKMP = OMPSupportVectorMachine
Houba8124 hub, 22 vlastnost2 tdy ,
Chyba podobnPoet support vektor je velmi rozdln
Active basis pursuit
Vlastn slovnkZvolen slovnky waveletsUniverzln vhody, nevhodyNauit se slovnk pro n problmMOD, K-svd
OznaenMme data yiHledme slovnk di, kter nejlpe popisuje nae data
Chyba vektoru yChyba vstupnch vektor y1,,yN
PkladYD
Obecn framework1. Inicializujeme slovnk2. Najdeme koeficienty X ke slovnkuMatching Persuit nebo jin metodaOmezen na X, chceme dk3. Pomoc X opravme slovnk DMOD, K-SVD
Nen ten framework povdom?K-mean, omezen na X
Method of optimal directionsChyba vektoru yChyba vstupnch vektor y1,,yNpo odvozenoprava slovnku1 krok 1 slovnk
K-SVDV 1 kroku optimalizujeme 1 slovo=
SVDA = U S VT
Ak = u1 s1 v1T + ... + uk sk vkT
SVD PkladAk = u1 s1 v1T + ... + uk sk vkT Aiui si viT
Porovnn metodMOD, K-SVD
Nhodn slovnk50 slov 20DData 1500 yiKombinace 3 slovPidn umZ dat spotn slovnk a porovnny-osa # Stejn
Porovnn slovnkK-SVD, Haar, DCT slovnky 64x441Trnovac data 11000 blok 8x8Z face-image databzeHledn koeficient OMP20-90% pixel bylo vymaznoNa zbytku OMP pomoc slovnkChybjc pixely se dodefinovali
Pklad K-SVDYDK-SVD Haar DCT
Vsledky K-SVD
Pouit v odumovn1. Init slovku D2. J krt opakujVyjdi patche pomoc DOMPOprav slovnk DK-SVD3. Prmrovn patch na pozicch vyjdench slovnkem Dpatchezaumn obrzek Y
Vsledky odumovnZaumn Slovnk po 10 iteracch
ReferenceElad, M. Aharon, M., Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries, IEEE Transactions on Image Processing, 2006P. Vincent, Y. Bengio, Kernel matching pursuit, Machine Learning Journal 48, 2002Aharon, M., Elad, M. and Bruckstein, A.M., The K-SVD: an algorithm for designing of overcomplete dictionaries for sparse representation. IEEE Transactions on Signal Processing, 2005 Ying Nian Wu, Deformable Template as Active Basis, ICCV07, http://www.stat.ucla.edu/~ywu/ActiveBasis.html
Michal nejake clankyCil pednky n pln pochopen, nevyden Hledn kokopsaObrzek = aproximace, suma Gaborovch waveletNau se vzor koky a pak ji hledaj na obrzku