Upload
naif
View
48
Download
4
Embed Size (px)
DESCRIPTION
Učenie v Image Retrieval. Miroslav Pich. Ako pracuje IR system s učením ?. 1. Aplikácia poskytne počiatočný výsledok na dotaz pomocou Kľúčového slová Náčrtu Vzoru 2. Užívateľ ohodnotí výsledok 3. Aplikácia sa poučí a vráti lepší výsledok. “ Nájde podobne obrazy ”. CBIR. Dotaz. - PowerPoint PPT Presentation
Citation preview
Učenie v Image Učenie v Image RetrievalRetrieval
Miroslav PichMiroslav Pich
Ako pracuje IR system s Ako pracuje IR system s učenímučením??
1. 1. Aplikácia poskytne Aplikácia poskytne počiatočný výsledok na dotaz počiatočný výsledok na dotaz pomocoupomocou Kľúčového slováKľúčového slová NáčrtuNáčrtu VzoruVzoru
2. Užívateľ ohodnotí výsledok2. Užívateľ ohodnotí výsledok 3. Aplikácia sa poučí a vráti 3. Aplikácia sa poučí a vráti
lepší výsledoklepší výsledok
Dotaz pomocou vzoruDotaz pomocou vzoru
Vyberie sa vzor, ktorý sa poskytne Vyberie sa vzor, ktorý sa poskytne systému pre získanie podobných systému pre získanie podobných obrazovobrazov
Dotaz
CBIRCBIR
“Nájde podobne obrazy”
Výsledok
Relevance FeedbackRelevance Feedback
Užívateľ ohodnotí obrázky z Užívateľ ohodnotí obrázky z posledného dotazuposledného dotazu
Systém si upraví svoje parametre Systém si upraví svoje parametre tak, aby pri ďalšom dotaze vrátil tak, aby pri ďalšom dotaze vrátil lepšie výsledkylepšie výsledky
Počiatočný vzor
1. Výsledok
Dotaz
2. Výsledok
Feedback Feedback
Extrahovanie vlastnostíExtrahovanie vlastností
FarbaFarba TextúraTextúra ŠtruktúraŠtruktúra TvaryTvary ......
Vizuálna podobnosťVizuálna podobnosť
Ako vyjadriť Ako vyjadriť ““podobnosťpodobnosť”” pomocou pomocou týchto vlastnostítýchto vlastností??
Podobnosť je subjektívna a závisí na Podobnosť je subjektívna a závisí na kontexte vyhľadávaniakontexte vyhľadávania
Extrahované vlastností sú nízko Extrahované vlastností sú nízko úrovňové.úrovňové. Nedokážu popísať, čo obraz zobrazujeNedokážu popísať, čo obraz zobrazuje Medzera medzi sémantickým významom Medzera medzi sémantickým významom
a extrahovanými vlastnosťamia extrahovanými vlastnosťami
Ktoré vlastností sú Ktoré vlastností sú dôležitédôležité??
Ak budeme vyhľadávať auta, tak pre Ak budeme vyhľadávať auta, tak pre nás bude dôležitejší tvar ako farbanás bude dôležitejší tvar ako farba
Naopak, ak budeme vyhľadávať Naopak, ak budeme vyhľadávať západ slnka, tak pre nás bude západ slnka, tak pre nás bude dôležitejšia farba ako tvardôležitejšia farba ako tvar
Váha jednotlivých vlastností sa bude Váha jednotlivých vlastností sa bude meniťmeniť
Ako meniť váhu Ako meniť váhu vlastnostívlastností??
ManuálneManuálne Užívateľ zadá špecifické hodnoty pre Užívateľ zadá špecifické hodnoty pre
jednotlivé vlastnostíjednotlivé vlastností 3030% % farba, 50farba, 50%% tvar ... tvar ...
Veľmi ťažko sa určuje presná hodnotaVeľmi ťažko sa určuje presná hodnota AutomatickýAutomatický
Program si Program si ““všimnevšimne”” na ktoré vlastnosti na ktoré vlastnosti kladie užívateľ dôraz.kladie užívateľ dôraz.
Váhová maticaVáhová matica
Z Z dotazu systém určí váhovú maticu dotazu systém určí váhovú maticu W, pomocou ktorej sa počíta W, pomocou ktorej sa počíta podobnosťpodobnosť..
výsledokdotaz
CBIRCBIR
spočítanie W
distance(x ,
y ) (
x
y )T W (
x
y )
Ako spočítať WAko spočítať W??
Žiadne negatívne vzory Žiadne negatívne vzory (1-class)(1-class) Pozitívne a negatívne vzory Pozitívne a negatívne vzory (2-class)(2-class) Jedna pozitívna a veľa negatívnych Jedna pozitívna a veľa negatívnych
tried tried (1+x)-class(1+x)-class Veľa pozitívnych a veľa negatívnych Veľa pozitívnych a veľa negatívnych
tried tried (x+y)-class(x+y)-class
Dostupne iba relevantne Dostupne iba relevantne obrazyobrazy
Chceme pridať väčšiu váhu Chceme pridať väčšiu váhu vlastnostiam v ktorých jednotlivé vlastnostiam v ktorých jednotlivé vzory čo najmenej líšia. vzory čo najmenej líšia.
Použijeme rozptylPoužijeme rozptyl Vlastnosti s malým rozptylomVlastnosti s malým rozptylom
Základne vlastnostiZákladne vlastnosti Zvýšime im váhuZvýšime im váhu
One class Relevance One class Relevance FeedbackFeedback
Spočíta sa rozptyl pre relevantné Spočíta sa rozptyl pre relevantné vzoryvzory
Inverzná hodnota rozptylu sa použije Inverzná hodnota rozptylu sa použije ako váha ako váha
Týmto spôsobom sa zvýši váha pre Týmto spôsobom sa zvýši váha pre dôležité vlastnosti dôležité vlastnosti
W
1/12 0
1/ 22
1/ 32
0 1/ k
2
W je k x k diagonálna matica
Problém dvoch triedProblém dvoch tried
Fisher’s Discriminant Analysis (FDA)Fisher’s Discriminant Analysis (FDA)
Nájde W ktoré...Nájde W ktoré... Minimalizuje Minimalizuje
rozptyl pre každú rozptyl pre každú triedutriedu
Maximalizuje Maximalizuje rozptyl medzi rozptyl medzi klastramiklastrami
Problém dvoch triedProblém dvoch tried
Cieľová funkciaCieľová funkcia:: W je úplná W je úplná
maticamatica
W argmaxW
W T SBW
W T SWW
SB Between Scatter Matrix
SW Within Scatter Matrix
SW jgroup # i(x j mi)(x j mi)T
i1
2SB (m1 m2)(m1 m2)T
m1,m2mean of each class
Problém dvoch triedProblém dvoch tried
Problém je redukovaný na nájdenie Problém je redukovaný na nájdenie vlastných číselvlastných čísel
SB wi iSW wi
W 1/ 2
diagonal matrix of eigenvalues
eigenvectors
RozšírenieRozšírenie
Pozitívne vzory sú väčšinou z jednej Pozitívne vzory sú väčšinou z jednej triedy ako napríklad kvetytriedy ako napríklad kvety
Negatívne vzory môžu byť z Negatívne vzory môžu byť z mnohých tried, ako napríklad auta, mnohých tried, ako napríklad auta, pomaranče, žirafy ....pomaranče, žirafy ....
Nieje vhodné predpokladať, že Nieje vhodné predpokladať, že negatívne vzory sú z jednej triedynegatívne vzory sú z jednej triedy
(1+x)-Class (1+x)-Class problémproblém
Biased Discriminant AnalysisBiased Discriminant Analysis Negatívnym vzorom môže byť Negatívnym vzorom môže byť
akýkoľvek obrazakýkoľvek obraz Každý negatívny obraz ma vlastnú Každý negatívny obraz ma vlastnú
skupinuskupinupozitívnepozitívne
negatívnenegatívne
SW (x m)(x m)T
xpositive
SB (x m)(x m)T
xnegative
mmean of positive class
(x+y)-Class (x+y)-Class problémproblém
Group BDA algoritmusGroup BDA algoritmus Viacnásobné kladné triedyViacnásobné kladné triedy Izolované negatívne triedyIzolované negatívne triedy
pozitívnepozitívne
negatívnenegatívne
SW i xi(x mi)(x mi)T
SB (y mi)(y mi)T
ynegative
i
mimean of positive class i
PicSOMPicSOM
Je to systém založený na neurónových sieťach.Je to systém založený na neurónových sieťach. Využíva SamoVyužíva Samo--Organizujúce mapy.Organizujúce mapy. Obrazy sú organizované do dvojrozmernej Obrazy sú organizované do dvojrozmernej
mriežky tak, že podobné obrazy sú blízko seba. mriežky tak, že podobné obrazy sú blízko seba. PicSOM využíva SOM so stromovou štruktúrou PicSOM využíva SOM so stromovou štruktúrou
(TS-SOM)(TS-SOM) TSTS-SOM -SOM je vytvorený pre každý príznakový je vytvorený pre každý príznakový
vektor.vektor. Tieto mapy sú paralelne použité pri Tieto mapy sú paralelne použité pri
vyhodnocovaní výsledkuvyhodnocovaní výsledku
PicSOMPicSOM
V prvom kroku sú vybrané obrazy z V prvom kroku sú vybrané obrazy z najvrchnejšej vrstvynajvrchnejšej vrstvy
Postupne sú vyberané z nižších Postupne sú vyberané z nižších vrstiev, tým sa dotaz spresňuje vrstiev, tým sa dotaz spresňuje
Nakoniec by sa mal užívateľ dostať k Nakoniec by sa mal užívateľ dostať k tomu, čo hľadá.tomu, čo hľadá.
Učenie v PicSOMUčenie v PicSOM
PicSOM reaguje na odozvu od PicSOM reaguje na odozvu od užívateľa užívateľa
Všíma si, či sú vybrané obrazy v Všíma si, či sú vybrané obrazy v samoorganizujucej mape blízko. samoorganizujucej mape blízko. Ak áno, zvýši váhu príznaku, ktorý táto Ak áno, zvýši váhu príznaku, ktorý táto
mapa reprezentujemapa reprezentuje
COSIMIRCOSIMIR
COSIMIR COSIMIR = Cognitive SIMilarity = Cognitive SIMilarity Learning in Information RetrievalLearning in Information Retrieval
Neurónová sieť so spätným šírenímNeurónová sieť so spätným šírením Dokáže sa naučiť komplexné vzťahy Dokáže sa naučiť komplexné vzťahy
medzi jednotlivými obrazmimedzi jednotlivými obrazmi Vyžaduje veľa trénovacích vzorovVyžaduje veľa trénovacích vzorov Dosiahli sa dobre výsledky s Dosiahli sa dobre výsledky s
krátkymi vektormikrátkymi vektormi
COSIMIRCOSIMIR
Aké vzory poskytovať Aké vzory poskytovať užívateľoviužívateľovi??
Stále tie najlepšie, tj. najbližšie k Stále tie najlepšie, tj. najbližšie k dotazudotazu
VýhodyVýhody:: užívateľ môže kedykoľvek ukončiť užívateľ môže kedykoľvek ukončiť
vyhľadávanie a dostane najlepší vyhľadávanie a dostane najlepší výsledokvýsledok
NevýhodyNevýhody:: Pomalé učenie sa IR systémuPomalé učenie sa IR systému Veľa kladných vzorov a malo zápornýchVeľa kladných vzorov a malo záporných
Aké vzory poskytovať Aké vzory poskytovať užívateľoviužívateľovi??
Také z ktorých získa učiaci Také z ktorých získa učiaci algoritmus najviac informáciialgoritmus najviac informácii
VýhodyVýhody:: Rýchlejšia cesta k cieľuRýchlejšia cesta k cieľu Vhodné pre systémy, kde je užívateľ Vhodné pre systémy, kde je užívateľ
ochotný spolupracovaťochotný spolupracovať NevýhodyNevýhody::
Nieje priebežne poznať ako kvalitne Nieje priebežne poznať ako kvalitne výsledky je systém schopný poskytnúťvýsledky je systém schopný poskytnúť
show-me-the-result
ask-me-questions
Aké vzory poskytovať Aké vzory poskytovať užívateľoviužívateľovi??
najviac informačné obrazy sa vo sa vo všeobecnosti nezhodujú s všeobecnosti nezhodujú s najviac pozitívnymi
najviac pozitívne obrazy často už často už boli ohodnotené a zvyknú kolerovať s boli ohodnotené a zvyknú kolerovať s obrazmi ktoré už boli ohodnotenéobrazmi ktoré už boli ohodnotené
SVM active learning SVM active learning algorithmalgorithm
SVM SVM (Support vector machine)(Support vector machine) Jeden z typov učiaceho sa strojaJeden z typov učiaceho sa stroja Pomocou trenovacích vzorov vytvára Pomocou trenovacích vzorov vytvára
rozhodovacie pravidlarozhodovacie pravidla Tieto pravidla potom môžu byť použite Tieto pravidla potom môžu byť použite
na klasifikáciu neoznačených obrazovna klasifikáciu neoznačených obrazov
SVMSVM
SVM active learning SVM active learning algorithmalgorithm
Cieľom je vybrať také vzory, aby sa čo Cieľom je vybrať také vzory, aby sa čo najviac minimalizoval priestor, kde sa najviac minimalizoval priestor, kde sa môžu nachádzať hľadané obrazymôžu nachádzať hľadané obrazy
Snahou je tento priestor Snahou je tento priestor pozitívnych obrazovobrazov pri každej iterácii zmenšiť na pri každej iterácii zmenšiť na polovicupolovicu
Body na hranici klastrov vytvorených Body na hranici klastrov vytvorených pomocou SVM dokážu výrazne pomocou SVM dokážu výrazne redukovať tento priestorredukovať tento priestor
SVM active learning SVM active learning algorithmalgorithm
SVM active learning SVM active learning algorithmalgorithm
SVM active learning SVM active learning algorithmalgorithm
Aké vzory poskytovať Aké vzory poskytovať užívateľoviužívateľovi??
Veľmi vhodné je preto kombinovať Veľmi vhodné je preto kombinovať ako výsledok vyhľadávania ako výsledok vyhľadávania pozitívne s informatívnymi obrázkami.. Užívateľ tým získa pocit, že aplikácia Užívateľ tým získa pocit, že aplikácia
hľadá to čo má.hľadá to čo má. ...a zároveň sa urýchli proces učenia...a zároveň sa urýchli proces učenia
Ďakujem za pozornosťĎakujem za pozornosť
Dotazy