Nasıl Yapılır: Örüntü Tanıma

Question

Desen tanıma hakkında daha fazla bilgi edinmek istiyorum. Ben başa öğrenmek istiyorum bu yüzden bazı sorunların belirli türleri listelenir, yani biraz geniş alanın biliyorum:

• bayt rastgele sette desenleri bulma.
• Resimlerdeki bilinen şekilleri (daire ve kareler gibi) tanıma.
• fark hareket şekillerinin ben :-) nereden başlayacağınızı

Bu şahsen benim için bir deneme yeni bir alan olduğunu ve dürüst olmak gerekirse, ben sadece bilmiyorum pozisyonlarda akışı (vector3) verilen Açıkçası bana gümüş bir tepside sağlanacak cevapları aramıyoruz, ancak yukarıdaki sorun alanlarının kavramları hakkında kendimi tanımaya başlayabileceğim bazı arama terimleri ve/veya çevrimiçi kaynaklar harika olurdu.

Teşekkürler!

ps: söz konusu kaynaklar kod örnekler sunmak durumunda ekstra kredi için/C# tartışma

Answer 1

saklı Markov modelleri, yanı Artificial Neural Networks olarak bakmak için harika bir yer vardır.

Düzenleme: NeuronDotNet'a bakabilir, açık kaynak koduna sahip olabilirsiniz.

Düzenleme 2: Ayrıca açık kaynak kodlu ve ITK bir göz atabilirsiniz ve bu tür bir çok algoritma uygular.

Düzenleme 3: İşte oldukça iyi bir intro to neural nets. Temelleri çok kapsar ve kaynak kodu içerir (C++ da olsa). Denetimsiz bir öğrenme algoritması uyguladı, ağınızı eğitmek için denetlenen bir backpropagation algorithm arayışında olabilirsiniz.

Düzenleme 4: Başka bir good intro, gerçekten ağır bir matematiği önler, ancak içine kazmak istediğinizde, bu ayrıntıların çoğuna referanslar sağlar. Sözde kod, iyi diyagramlar ve geri yayılımın uzun bir tanımını içerir.

Answer 2

Bu konuda uzman değilim, ama okumayı büyük :-) olurdu ama olması gerekmez Hidden Markov Models, başlamak için iyi bir yoldur.

Answer 3

desen recoginition öğrenme Matlab'de kolaydır ..

çeşitli örnekler vardır ve kullanımı fonksiyonları vardır.

o anlayış kavram ve deneyler için iyidir ...

Answer 4

OpenCV, görüntülerde desen tanıma için bazı işlevlere sahiptir.

Şuna bakmak isteyebilirsiniz: http://opencv.willowgarage.com/documentation/pattern_recognition.html. (kırık bağlantı: yeni belgede en yakın şey http://opencv.willowgarage.com/documentation/cpp/ml__machine_learning.html, artık yeni başlayanlar için yararlı belgeleri çağırırdım - diğer yanıtlara bakın)

Ancak, Matlab ile başlamanızı öneririm çünkü openCV sezgisel değil kullanmak.

Answer 5

Bilgisayarla ilgili görsel tanımlamayla ilgili this page numaralı sayfadaki faydalı bağlantılar.Linklerin bazıları şimdi kırılmış gibi görünüyor, ancak yararlı bulabilirsiniz.

Answer 6

Bu, "Elektronik hakkında daha fazla şey öğrenmek isterim. Örüntü Tanıma bir bütün alan - orada yüzlerce, orada olmayan binlerce kitap var ve herhangi bir üniversitede bu seviyedeki en az birkaç (muhtemelen 10 veya daha fazla) ders var. Bunlara adanmış sayısız dergi vardır, onlarca yıldır yayınlanmıştır ... konferanslar ..

Vikipedi ile başlayabilirsiniz.

http://en.wikipedia.org/wiki/Pattern_recognition

Answer 7

Bu eski türden bir soru, ama bu yüzden Stanford burada bir online Makine Öğrenimi sınıfını sunmaya başladı :-) ben burada yazılan düşündüm alakalı - http://www.ml-class.org

Answer 8

tavsiye ediyorum bazı MATLAB araç kutusundan başlayarak. MATLAB interaktif konsolu nedeniyle böyle şeyler ile oynamaya başlamak için özellikle uygun bir yerdir. Şahsen kullandığım ve gerçekten sevdiğim güzel bir araç kutusu PRTools (http://prtools.org); Her model tanıma aracı ve ayrıca bazı diğer makine öğrenim araçlarının (Neural Networks, vb.) bir uygulamasına sahiptirler. Ama MATLAB ile ilgili güzel bir şey de deneyebileceğiniz birçok başka araç kutusu da var (hatta Mathworks'ten bir proprietary toolbox var)

Farklı araçlarla yeterince rahat hissettiğinizde (ve hangi sınıflandırıcıların en iyi performans gösterdiğini öğrendiniz) sizin için sorun), makine öğrenimini farklı bir uygulamada uygulamayı düşünmeye başlayabilirsiniz.

Answer 9

Hatalı desenlere dikkat edin! Herhangi bir terbiyeli büyük veri seti için, bozuk para sayılarından oluşan bir veri kümesi olsa bile, desen içeren alt kümeleri bulacaksınız. Kalıp tanıma için iyi bir süreç, tespit edilen modellerin gerçek olduğuna dair güvenin değerlendirilmesi için istatistiksel teknikler içermemelidir. Mümkün olduğunda, hangi kalıpları algıladıklarını görmek için algoritmalarınızı rastgele veriler üzerinde çalıştırın. Bu deneyler size rastgele (a.k.a "null") verilerde bulunabilecek bir modelin gücü için bir temel oluşturacaktır. Bu tür bir teknik, bulgularınız için "yanlış keşif oranını" değerlendirmenize yardımcı olabilir.