تعریف بازشناسی اشیاء

بازشناسی به معنای «تشخیص تفاوت بین دو چیز» است و بازشناسی اشیاء در اصطلاح بینایی ماشین، به معنای توانایی تشخیص یک شی از بین مجموعه ­ای از اشیاء است. به عنوان نمونه، بازشناسی تصاویر چهره شامل توانایی تشخیص هویت یک فرد از روی تصویر چهره­ی او با داشتن پایگاه داده­ای از تصاویر افراد مختلف است. چندین دهه است که این مفهوم به عنوان ابزاری پر کاربرد، مورد توجه محققین قرار گرفته است.

۱-۲-۲-۱)فرآیند طراحی یک سیستم بازشناسی اشیاء

از آن جایی که هر شی دارای الگوی خاصی است که آن را از سایر اشیاء متمایز می­ کند، سیستم­های بازشناسی اشیاء زیرشاخه­ای از سیستم­های بازشناسی الگو هستند و از فرآیندهای حاکم بر این سیستم‌ها پیروی می­ کنند. هر سیستم بازشناسی الگو برای این که قدرت تمایز بین الگوهای مختلف را پیدا کند و در اجرای وظیفه­ی تشخیص و بازشناسی الگو­ها با موفقیت عمل کند، باید ابتدا آموزش ببیند.  ساختار کلی فرآیند آموزش در یک سیستم بازشناسی الگو در شکل(۱-۲) نمایش داده شده است. اولین گام در فرآیند آموزش یک سیستم بازشناسی الگو، جمع­آوری تعداد مناسبی نمونه از الگوهای مورد نظر (به طور مثال تصاویر اشیاء در یک سیستم بازشناسی اشیاء) است. خصوصیات این نمونه ­ها باید به گونه­ای باشد که اهداف نهایی مورد نظر در سیستم بازشناسی الگو را برآورده کند و حتی­الامکان همه­ی حالت­های قابل پیش ­بینی برای الگوها در بین این نمونه ­ها وجود داشته باشد. این بخش زمان زیادی از فرایند طراحی سیستم بازشناسی الگو را به خود اختصاص می­دهد و گاهی اوقات با مشکلاتی نیز همراه است.
گام بعدی پس از جمع­آوری نمونه ­های لازم، استخراج ویژگی[۱] از نمونه ­ها است. استخراج ویژگی نگاشتی از فضای الگوها به فضای ویژگی­ها است و حاصل آن یک بردار ویژگی عددی برای هر نمونه است. استخراج ویژگی در واقع خصوصیات کیفی الگوها را به ویژگی­های کمی تبدیل می­ کند و بردار ویژگی هر نمونه، توصیفی کمی از آن نمونه ارائه می­دهد. این کار عملا یک فرآیند کدگذاری[۲] است، چرا که از نظر هندسی هر الگو را می‌توان به عنوان یک نقطه در فضای اقلیدسی در نظر گرفت. انتخاب نوع ویژگی­ها نیازمند دانش اولیه در مورد الگوها است. این انتخاب باید به گونه­ای باشد که ویژگی­های استخراج­شده بین الگوهای متعلق به یک کلاس حداکثر تشابه و بین الگوهای متعلق به کلاس­های متفاوت حداکثر تمایز را به وجود آورند.
پس از استخراج ویژگی باید روش یادگیری در سیستم بازشناسی الگو تعیین شود تا گام­های اصلی آموزش سیستم شروع شود. روش یادگیری می‌تواند از نوع بدون نظارت[۳] یا بانظارت[۴] باشد. در یادگیری بدون نظارت، الگوها برچسب کلاسی ندارند و بر اساس شباهتشان در کلاس­های یکسان قرار می‌گیرند. در واقع در این روش، هدف کاربر این است که تعیین کند آیا گروه­هایی در مجموعه­ی داده وجود دارند و اگر وجود دارند، چه مشخصاتی الگوهای داخل یک گروه را به هم شبیه می­ کند و چه مشخصاتی الگوهای موجود در گروه­های متفاوت را از یکدیگر متمایز می­ کند.

 

 

 

 

 

 

 

 

 

 

  فایل متن کامل این پایان نامه در سایت abisho.ir موجود است.

 

 

 

 

 

 

 

 

 

 

 

 

دنیای واقعی(جایی که همه مسائل از آن جا نشأت می­­گیرد)

جمع­آوری داده

استخراج ویژگی

انتخاب مدل خوشه­بندی

خوشه­بندی داده­ ها

نتیجه قابل قبول است؟

آموزش رده­بند

آزمایش رده­بند

گزینش ویژگی

انتخاب مدل رده­بندی

نتیجه قابل قبول است؟

دنیای واقعی(جایی که همه راه­حل­ها به آن جا باز می­گردد)

بانظارت

بدون نظارت

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل ۱‑۲   فرآیند آموزش در یک سیستم بازشناسی الگو   (۲۰۰۶Kuncheva,)

 

 

در یادگیری بانظارت، برای هر الگو در مجموعه­ی داده، علاوه بر یک بردار ویژگی، یک برچسب کلاس هم وجود دارد. هدف این است که بر اساس نمونه ­های موجود، یک رده­بند[۵] به گونه­ای آموزش داده شود که بتواند نمونه‌های جدیدی را که تاکنون ندیده است با کمترین خطا در کلاس مربوط به خودشان رده‌بندی کند. روش یادگیری با توجه به ماهیت مسأله تعیین می­شود. اگر الگوها برچسب کلاس داشته باشند، از روش یادگیری بانظارت و اگر الگوها برچسب کلاس نداشته باشند از روش یادگیری بدون نظارت استفاده می­شود.

اگر روش یادگیری بانظارت باشد، گام بعدی اجرای فرآیند گزینش ویژگی[۶] است. ویژگی­هایی که در مرحله­ی استخراج ویژگی از الگوها استخراج می‌شوند، دارای کیفیت و اهمیت یکسانی نیستند و برخی از آن‌ها نسبت به بقیه از اهمیت و کیفیت بالاتری برخوردارند. هر چه قدرت یک ویژگی برای جداسازی نمونه ­ها در کلاس­های مختلف بیشتر باشد، کیفیت بالاتری دارد. در مرحله­ی گزینش ویژگی، زیرمجموعه­ای از ویژگی­ها که بیش‌ترین اهمیت را در جداسازی کلاس­های الگو دارند، از بین مجموعه­ی ویژگی­ها گزینش می­شوند. با این کار هم ابعاد بردار ویژگی کاهش می­یابد و بار محاسباتی سیستم کمتر می­شود و هم کیفیت توصیف الگوها توسط این ویژگی‌ها بهتر می­شود. البته اجرای این مرحله در فرآیند آموزش یک سیستم بازشناسی الگو اختیاری است و اگر ویژگی­های استخراج­شده در مرحله­­ی استخراج ویژگی به حد کافی مطلوب و باکیفیت باشند، نیازی به اجرای این مرحله نیست.

پس از گزینش ویژگی، باید مدل رده­بندی انتخاب شود. مدل رده­بندی هر الگوی ناشناخته را بر اساس ویژگی­های آن به یکی از کلاس­های شناخته­شده نسبت می­دهد. به بیان ریاضی، به هر نگاشتی از فضای n-بعدی ویژگی­ها به فضای k-بعدی برچسب­های کلاس، یک رده­بندی[۷] گفته می‌شود. بنابراین یک رده­بند تابعی است مانند D که با رابطه­ (۱-۱) توصیف می­شود:

رابطه ۱-۱

که در آن  مجموعه­ی برچسب کلاس الگوها است. یک رده­بند، میزان تعلق بردار ویژگی  به هر یک از کلاس­های الگو را به صورت یک عدد حقیقی بیان می­ کند. تاکنون مدل­های رده­بندی متنوعی برای سیستم­های بازشناسی الگو پیشنهاد شده ­اند که هر کدام کاربرد متفاوتی دارند. از جمله­ی این رده­بندها می­توان به رده­بند بیزین[۸]، رده­بند نزدیک­ترین همسایگی، رده‌بند ماشین بردار پشتیبان(SVM[9]) و شبکه ­های عصبی اشاره کرد.

گام بعدی پس از انتخاب مدل رده­بندی، آموزش رده­بند است. منظور از آموزش رده­بند در واقع تجزیه و تحلیل نمونه ­های آموزشی[۱۰] و استنتاج تابعی از آن­ها برای تعیین برچسب کلاس نمونه ­های جدید است. این تابع نگاشتی از فضای ویژگی­ها به فضای برچسب­ کلاس­ها است.

پس از آموزش رده­بند، نوبت به آزمایش رده­بند و اعتبارسنجی آن می­رسد. در این مرحله با بهره گرفتن از نمونه ­های آزمون[۱۱]، کارایی رده­بند مورد ارزیابی قرار می­گیرد و اگر اهداف مورد نظر طراحی را برآورده نکند، طراح سیستم به یکی از گام­های قبلی برمی­گردد و با انجام اصلاحاتی در آن فرآیند آموزش را تکرار می­ کند و این تکرار تا زمانی که اهداف طراحی برآورده شود، ادامه می­یابد تا دست­یابی به سیستمی قابل تعمیم به نمونه ­های جدید را تضمین کند.

اگر روش یادگیری بدون نظارت باشد،پس از جمع‌آوری داده­ ها و استخراج ویژگی از آن­ها، یک روش خوشه­بندی[۱۲] برای گروه­بندی داده­ ها انتخاب می‌شود. اگر نتیجه­ی خوشه­بندی قابل قبول نباشد، با تغییر روش خوشه‌بندی یا تغییر پارامترهای خوشه‌بندی،کار ادامه پیدا می‌کند تا نتیجه مورد نظر حاصل شود.

پس از این که سیستم بازشناسی الگو آموزش داده شد، برای کارکرد عادی و اجرای وظیفه­ی بازشناسی الگوها آماده می­شود. شکل(۱-۲) فرآیند حاکم بر یک سیستم بازشناسی الگو را در حالت کارکرد عادی و تشخیص الگو در نمونه ­های جدید نشان می­دهد. برای هر نمونه­­ی ورودی، ابتدا ویژگی­ها استخراج می­شود و سپس این ویژگی­ها وارد رده­بند آموزش­دیده در مرحله­ی آموزش می‌شوند تا کلاس الگو در نمونه­­ی ورودی تعیین شود.

 

 

 

 

 

 

 

 

استخراج ویژگی

رده­بند آموزش دیده در مرحله آموزش

 

نمونه ورودی

برچسب کلاس

 

 

 

 

 

 

 

 

 

 

 

 

شکل ‏۰۱-۳ فرآیند حاکم بر یک سیستم بازشناسی الگو در حالت کارکرد عادی

[۱] Feature Extraction

[۲] Coding

[۳] Unsupervised Learning

[۴] Supervised Learning

[۵] Classifier

[۶] Feature Selection

[۷] Classification

[۸] Baysian

[۹] Support Vector Machine

[۱۰] Training Examples

[۱۱] Testing Examples

[۱۲] Clustring