Форум: Проблемы искусственного интеллекта

Регистрация | Вход

Все темы | Новая тема  Стр.2 (4) << < Пред. | След. > >>    Поиск:
Автор	Тема: На: Общий взгляд на задачу распознавания
covax Сообщений: 1609	На: Общий взгляд на задачу распознавания Добавлено: 14 июл 12 5:27 Цитата: Автор: Slava Например, говоря - "детализировать", вы, собственно, что имеете в виду? То же самое и с инвариантностью. Детализировать - деформализовать, разложить на элементарные составляющие в контексте структуры прошлого опыта. С элементарными составляющими уже можно работать инвариантно, т.е безотносительно формы вх.потока. Цитата: Автор: Slava Если же говорить о подходах, то то,что обычно понимается под структурными методами, о чем, собственно, вы и заговорили, мне нравится много меньше, чем методы, основанные на преобразованиях. Преобразования складываются в структуру методов преобразований. В виду того, что преобразования не элементарны, то они не позволяют надструктуре (структуре преобразований, как методу) быть адаптивной. Вот отсюда вы получаете невозможность подстройки методов под широкий спектр воздействий на систему и у вас выпадает часть функционала, о чём вы даже не подозреваете. Входной поток нужно раскладывать всесторонне, а не эвристически. [Ответ][Цитата]
covax Сообщений: 1609	На: Общий взгляд на задачу распознавания Добавлено: 14 июл 12 5:31 Цитата: Автор: dr2chek Замечательно. Класс окружностей с диаметрами от Д1 до Д2, класс окружностей с диаметрами от Д2 до Д3, и т.п. Именно! Критерий классификации относителен. В этом и суть распознавания. То есть, вы распознаёте только то, о чём имеете представление. Этот пример является элементарным примером распознавания, именно поэтому он вам непривычен. Каскадируя критерии вы получите усложнение функции распознавания [Ответ][Цитата]
dr2chek Сообщений: 871	На: Общий взгляд на задачу распознавания Добавлено: 14 июл 12 6:04 Цитата: Автор: covax Именно! Критерий классификации относителен. В этом и суть распознавания. То есть, вы распознаёте только то, о чём имеете представление. У вас методологическая ошибка. По условиям задачи (а мы говорим о ней), диаметр окружностей известен, поэтому никакого распознавания здесь нет. [Ответ][Цитата]
covax Сообщений: 1609	На: Общий взгляд на задачу распознавания Добавлено: 14 июл 12 7:15 Цитата: Автор: dr2chek У вас методологическая ошибка. По условиям задачи (а мы говорим о ней), диаметр окружностей известен, поэтому никакого распознавания здесь нет. Ошибки нет. Вы сами выставили критерии по классификации диаметров. Сами расставили границы классов (D1-D2, D2-D3). Вот и разделяйте окружности на классы. Задача распознавания первого порядка. Окружности здесь даже не причём. На вход поступает один параметр его и классифицируем. [Ответ][Цитата]
dr2chek Сообщений: 871	На: Общий взгляд на задачу распознавания Добавлено: 14 июл 12 8:01 Цитата: Автор: covax Ошибки нет. Вы сами выставили критерии по классификации диаметров. Сами расставили границы классов (D1-D2, D2-D3). Вот и разделяйте окружности на классы. Задача распознавания первого порядка. Окружности здесь даже не причём. На вход поступает один параметр его и классифицируем. В общем, как в сказке "..возвращайся сделав круг". У вас отличное от моего понимание а)класса, б)распознавания. И это не лечится, увы. Но вы не расстраивайтесь, умение толочь воду в ступе вам к лицу. Осталось заслушать топикстартера. [Ответ][Цитата]
Victor G. Tsaregorodtsev Сообщений: 3187	На: Общий взгляд на задачу распознавания Добавлено: 14 июл 12 10:33 Цитата: Автор: covax Определить к какому классу фигур относятся фигуры поступающие на вход - это классификация порядка N. Здесь придётся дифференцировать признаки потом абстрагировать их, и так делать несколько раз. На каждом уровне свой критерий классификации. Первый уровень - выделить ключевые формы конкретной фигуры (линии, прямые углы и тп). Второй уровень анализировать пространственное отношение ключевых форм, на основе чего делать вывод о принадлежности к классу (окружности, треугольники, квадраты и тп). Возможно потребуется больше уровней абстракции. Кстати - Вы понимаете, что этот подход легко делается современной нейросетью (современно МНОГОМЕРНОЙ сетью, типа свёрточной или когнитрона-неокогнитрона, где внутренние слои представляют собой плоскости и наборы плоскостей)? См. мою тему "реквестирую пожелания" и всплывшую там недавно статью буржуев по определению образа для кошачьей морды. Там для образов некоторого класса (котов, морд лица, верхних половин силуэтов людей) решалась обратная задача: требуем макс. выхода сигнала у выходного нейрона, голосующего за нужный класс (и отсутствия активаций у прочих вых.нейронов) - и эту максимизацию одного и минимизацию другого делаем путём изменения (фактически, путём обучения) ВХОДНЫХ СИГНАЛОВ сети. Получается сведение исходного изображения (на котором что-то могло быть ещё или на котором образ мог быть деформирован) к прототипу, потом усреднением полученных прототипов по выборке получаем самый-самый средний прообраз. С описанным Вами случаем можно сделать то же самое. На первых уровнях сетка выделяет некоторые информативные признаки (углы, линии, разрывы, дуги). Можно эти признаки даже вручную заложить в сеть (как делалось в когнитроне-неокогнитроне). Потом, при боевой работе, надо просто смотреть - какие (соответствующие признакам) нейроны активировались, и в каких позициях они расположены друг относительно друга ("анализ пространственных отношений ключевых форм" по-вашему). И это можно делать на нескольких уровнях (если в сетке несколько слоёв выделения признаков - от элементарных к более абстрактным и сложным). Ну и поскольку детектор признаков в сети можно сделать инвариантным к некоторым преобразованиям - это ответ на вопрос Славы. Инвариантность к сдвигам - получается из-за плоскости, по которой размножен один одинаковый детектор, и из-за последующих слоёв уменьшения разрешения. Инвариантность к поворотам на небольшой угол - тоже из-за этого самого. Инвариантность к сдвигам, небольшим поворотам, небольшим изменениям размеров ВСЕГО ОБЪЕКТА на изображении - тоже по тем же причинам. А вот инвариантность к поворотам ПРИЗНАКОВ НА БОЛЬШОЙ УГОЛ - ну, можно, например, взять полиномиальные нейроны-детекторы (нейроны высоких порядков), т.е. взять чуть более продвинутую архитектуру нейросети. [Ответ][Цитата]
Victor G. Tsaregorodtsev Сообщений: 3187	На: Общий взгляд на задачу распознавания Добавлено: 14 июл 12 10:36 Цитата: Автор: covax Детализировать - деформализовать, разложить на элементарные составляющие в контексте структуры прошлого опыта. Репрезентативную обучающую выборку можно считать аналогом "прошлого опыта"? Если да - то мой предыдущий пост вроде как получился к месту ещё и исходя и из этого Вашего определения. Цитата: Автор: covax Входной поток нужно раскладывать всесторонне, а не эвристически. - Как расположить женщину к себе? - Женщину нужно расположить так, чтобы было удобно и вам, и ей. (С) анекдот [Ответ][Цитата]
Victor G. Tsaregorodtsev Сообщений: 3187	На: Общий взгляд на задачу распознавания Добавлено: 14 июл 12 10:42 Цитата: Автор: covax Именно! Критерий классификации относителен. Критерий Шрёдингера, что-ли? То-ли критерий - то-ли нет. То-ли классификации - то-ли нет. [Ответ][Цитата]
covax Сообщений: 1609	На: Общий взгляд на задачу распознавания Добавлено: 14 июл 12 12:47 Цитата: Автор: Victor G. Tsaregorodtsev Кстати - Вы понимаете, что этот подход легко делается современной нейросетью (современно МНОГОМЕРНОЙ сетью, типа свёрточной или когнитрона-неокогнитрона, где внутренние слои представляют собой плоскости и наборы плоскостей)? См. мою тему "реквестирую пожелания" и всплывшую там недавно статью буржуев по определению образа для кошачьей морды..... Да, да. Вы всё правильно описываете. Только одного не могут делать современные сети - это формировать критерии классификации опираясь только на входной поток, т.е на лету (динамически), как это делает мозг. Цитата: Автор: Victor G. Tsaregorodtsev Репрезентативную обучающую выборку можно считать аналогом "прошлого опыта"? Отчасти да. Но обычно, "прошлый опыт" - это структура уже обученной сети, т.е формальное представление входного потока относительно формального базиса сети. Цитата: Автор: Victor G. Tsaregorodtsev Если да - то мой предыдущий пост вроде как получился к месту ещё и исходя и из этого Вашего определения. Ваш пост, в любом случае, к месту. Мне понравилось про инвариантность к сдвигам и поворотам. Только осталось понять, почему признак размножается только в одной плоскости? И будет ли он затирать (при размножении) в этой же плоскости другие признаки в отношении тех же преобразований (поворот, масштаб, сдвиг)? Или у каждого признака своя плоскость размножения? Как тогда разделить признаки по слоям автоматически? Понятно, что статистически эти признаки не разделить по слоям, т.к. сеть заранее не знает будет ли модифицироваться объект на обучающей выборке. Цитата: Автор: Victor G. Tsaregorodtsev Критерий Шрёдингера, что-ли? Это какой? Я про критерий, который определяет какие признаки и как абстрагировать с предыдущего слоя. То есть, критерий разделения пространства признаков на классы. [Ответ][Цитата]
Victor G. Tsaregorodtsev Сообщений: 3187	На: Общий взгляд на задачу распознавания Добавлено: 15 июл 12 8:14 Цитата: Автор: covax Только осталось понять, почему признак размножается только в одной плоскости? И будет ли он затирать (при размножении) в этой же плоскости другие признаки в отношении тех же преобразований (поворот, масштаб, сдвиг)? Или у каждого признака своя плоскость размножения? Как тогда разделить признаки по слоям автоматически? Понятно, что статистически эти признаки не разделить по слоям, т.к. сеть заранее не знает будет ли модифицироваться объект на обучающей выборке. У каждого признака (вернее, у детектора некоторого признака) своя плоскость размножения. Т.е. других затирать он не будет. А размножается детектор по плоскости затем, чтобы детектировать возникновение своего признака в любых местах изображения. Потом плоскость сжимается в размерах - путём взятия в непересекающихся окнах (размером 2*2, 3*3 или иных) среднего значения или максимума сигналов, и после такого сжатия получается инвариантность (в новой плоскости) к сдвигам на эти самые 2,3 или иное число пикселов. Т.е. первая плоскость просто продетектировала наличие некоторого признака на изображении, после второй результат стал не зависеть от малых сдвигов изображения или объекта на изображении. И продолжая построение такой пирамидальной структуры (на каждом нечётном слое - всё больше плоскостей для детекции всё более и более высокоуровневых конструкций, на каждом чётном - всё большее и большее сжатие по сравнению с исходным размерам изображения) получаем возможность детекции сложных фигур независимо от их положения на изображении, от небольших поворотов, от небольших деформаций. [Ответ][Цитата]
Андрей Сообщений: 3943	На: Общий взгляд на задачу распознавания Добавлено: 15 июл 12 8:36 Цитата: Автор: Victor G. Tsaregorodtsev размножается детектор по плоскости затем, чтобы детектировать возникновение своего признака в любых местах изображения получаем возможность детекции сложных фигур независимо от их положения на изображении Скажите, пожалуйста, чем в сущности отличается "признак" от "фигуры" (объекта)? Или иначе: является ли признак фигурой (объектом)? И если является, то размножается ли "детектор объектов" в некоторой плоскости (объёме?)? Спасибо. [Ответ][Цитата]
Анатоль Сообщений: 1964	На: Общий взгляд на задачу распознавания Добавлено: 16 июл 12 1:14 Почему-то говорят о распознавании образов. Это затуманивает проблему. Проблема в СОЗДАНИИ образа. Ведь образ - это МОДЕЛЬ, которая моделирует существенные черты. Нельзя распознать не имея модели. Как получить образ-модель? Как и всякую модель образ нельзя построить (вывести) из входных данных. Модель нужно постулировать (задать, угадать, сгенерировать). Обычно дешевле задать общую структуру модели с последующей подстройкой (обучением)на входных данных. А классификация по признакам-параметрам сводит проблему к поиску набора подходящих (инвариантных) признаков. Лучше мыслить категориями моделей, чем инвариантных признаков. Это более общий подход. [Ответ][Цитата]
Fractaler Сообщений: 2490	На: Общий взгляд на задачу распознавания Добавлено: 16 июл 12 5:21 Цитата: Автор: Анатоль Почему-то говорят о распознавании образов. Это затуманивает проблему. Проблема в СОЗДАНИИ образа. Ведь образ - это МОДЕЛЬ, которая моделирует существенные черты. Нельзя распознать не имея модели... О! (Т.е., либо индукция, либо дедукция) [Ответ][Цитата]
Victor G. Tsaregorodtsev Сообщений: 3187	На: Общий взгляд на задачу распознавания Добавлено: 16 июл 12 8:22 Цитата: Автор: Андрей Скажите, пожалуйста, чем в сущности отличается "признак" от "фигуры" (объекта)? Или иначе: является ли признак фигурой (объектом)? И если является, то размножается ли "детектор объектов" в некоторой плоскости (объёме?)? Спасибо. Признаки - это линия, конец линии, разрыв линии, дуга, угол и прочее, не являющееся объектом реального мира (вернее, не являющееся классом в решаемой в настоящий момент задачи классификации). Т.е. все те примитивы, через которые описывается форма объекта. Поскольку в систему детекторы чего-то не встраиваются руками (времена когнитронов-неокогнитронов прошли, сейчас всё обучаемо) - детекторы могут обучиться детектировать и какой-то объект. Например, вполне может возникнуть ситуация - когда нейросети "удобнее" выстроить детектор некоторого классифицируемого объекта где-то в середине сети, а потом просто передавать результат на нужный выходной нейрон (у которого при обучении все синапсы кроме одного занулятся, т.е. этот нейрон не будет "отделять мух от котлет", а будет просто возбуждаться при сработке ранее построенного детектора). [Ответ][Цитата]
Slava Сообщений: 3070	На: Общий взгляд на задачу распознавания Добавлено: 16 июл 12 9:17 Цитата: Автор: Анатоль Почему-то говорят о распознавании образов. Это затуманивает проблему. Проблема в СОЗДАНИИ образа. Ведь образ - это МОДЕЛЬ, которая моделирует существенные черты. Нельзя распознать не имея модели. Вообще-то, в этой проблематике, несмотря на ее почтенный уже возраст, как-то не сложилась общая терминология, и это временами создает некоторые проблемы. Распознавание и создание, как мне представляется, это - две разные проблемы. В первом случае речь идет о распознавании тех образов, что сложились в голове человека, например. Это - вариант обучения с учитилем. Тоже - не слишком удачный термин. Во втором случае говорят, лукавя, об обучении без учителя - кластеризация, самообучение и т.п. Во втором же случае можно отдельно выделить и то. на что вы обращаете внимание - такое представление образа, чтобы оно было нам понятно. Так что и это говорят, просто вам такие не попадались Цитата: Как получить образ-модель? Как и всякую модель образ нельзя построить (вывести) из входных данных. Модель нужно постулировать (задать, угадать, сгенерировать). Обычно дешевле задать общую структуру модели с последующей подстройкой (обучением)на входных данных. Синтез - тоже в каком-то смысле подстройка, все определяется тем, насколько широко вы это хотите трактовать, пониманием сути моделируемого и реальными возможностями доступной вам технологии моделирования Цитата: А классификация по признакам-параметрам сводит проблему к поиску набора подходящих (инвариантных) признаков. Лучше мыслить категориями моделей, чем инвариантных признаков. Это более общий подход. Тут вы с легкостью ввели еще один термин. В моем словаре он практически не используется, так что без уточнения вами его ничего сказать не могу [Ответ][Цитата]
Стр.2 (4): 1  [2]  3  4 << < Пред. | След. > >>