Samoorganizace a morphing

Podobné dokumenty
Státnice odborné č. 20

Metamorfóza obrázků Josef Pelikán CGG MFF UK Praha

NG C Implementace plně rekurentní

Emergence chování robotických agentů: neuroevoluce

Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS

Projekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma

Kybernetika a umělá inteligence, cvičení 10/11

Neuronové sítě Ladislav Horký Karel Břinda

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

GIS Geografické informační systémy

Přednáška 13 Redukce dimenzionality

Algoritmy a struktury neuropočítačů ASN P3

5. Umělé neuronové sítě. Neuronové sítě

Deformace rastrových obrázků

Grafika na počítači. Bc. Veronika Tomsová

ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz

Už bylo: Učení bez učitele (unsupervised learning) Kompetitivní modely

Pokročilé operace s obrazem

GIS Geografické informační systémy

Trénování sítě pomocí učení s učitelem

Omezení barevného prostoru

Obsah přednášky Jaká asi bude chyba modelu na nových datech?

Učící se klasifikátory obrazu v průmyslu

CZ.1.07/1.5.00/ Zefektivnění výuky prostřednictvím ICT technologií III/2 - Inovace a zkvalitnění výuky prostřednictvím ICT

Konvoluční model dynamických studií ledvin. seminář AS UTIA

Zobrazování barev Josef Pelikán CGG MFF UK Praha.

přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat

Odečítání pozadí a sledování lidí z nehybné kamery. Ondřej Šerý

Lineární klasifikátory

Algoritmy a struktury neuropočítačů ASN - P11

Jak bude zítra? Skoro jako dneska. Dan Lessner

Rosenblattův perceptron

Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)

Rastrová reprezentace

Úloha - rozpoznávání číslic

2D grafika. Jak pracuje grafik s 2D daty Fotografie Statické záběry Záběry s pohybem kamery PC animace. Počítačová grafika, 2D grafika 2

Umělé neuronové sítě

Rozpoznávání písmen. Jiří Šejnoha Rudolf Kadlec (c) 2005

scale n_width width center scale left center range right center range value weight_sum left right weight value weight value weight_sum weight pixel

Úvod do optimalizace, metody hladké optimalizace

Algoritmy pro shlukování prostorových dat

Analýza dat pomocí systému Weka, Rapid miner a Enterprise miner

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář,

Zobrazte si svazy a uspořádané množiny! Jan Outrata

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

Grafy. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 13.

1. Vektorové algoritmy jejich výstupem je soubor geometrických prvků, např.

Anti Aliasing. Ondřej Burkert. atrey.karlin.mff.cuni.cz/~ondra/ ~ondra/stranka

PowerPoint Kurz 2, 3. Inovace a modernizace studijních oborů FSpS (IMPACT) CZ.1.07/2.2.00/

3. Vícevrstvé dopředné sítě

Geometrické transformace obrazu

Samoučící se neuronová síť - SOM, Kohonenovy mapy

Geometrické transformace obrazu a související témata. 9. přednáška předmětu Zpracování obrazů

Smíšené regresní modely a možnosti jejich využití. Karel Drápela

LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015

VY_32_INOVACE_INF.10. Grafika v IT

Neuronové sítě v DPZ

BI-TIS Případová studie

LOKALIZACE ZDROJŮ AE NEURONOVÝMI SÍTĚMI NEZÁVISLE NA ZMĚNÁCH MATERIÁLU A MĚŘÍTKA

K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami. Josef Keder

Klasifikace a rozpoznávání. Lineární klasifikátory

1. Úvod do genetických algoritmů (GA)

Neuropočítače. podnět. vnímání (senzory)

KGG/STG Statistika pro geografy

Počítačová grafika 1 (POGR 1)

IVT. Rastrová grafika. 8. ročník

Úvod Příklad Výpočty a grafické znázornění. Filip Habr. České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská

PŘEDMLUVA 11 FORMÁLNÍ UJEDNÁNÍ 13

Zpracoval Ing. Ladislav Škraňka, Brno, březen 2012

Měření průtoku kapaliny s využitím digitální kamery

Content Aware Image Resizing

DIGITÁLNÍ FOTOGRAFIE

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

13 Barvy a úpravy rastrového

Detekce neznámých typů mutantů na základě odlišnosti kinetiky fluorescence

Matematika pro geometrickou morfometrii

GIS Geografické informační systémy

Asociativní sítě (paměti) Asociace známého vstupního vzoru s daným výstupním vzorem. Typická funkce 1 / 44

Zpracování digitalizovaného obrazu (ZDO) - Analýza pohybu

Miroslav Čepek

Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného)

Úvodem Dříve les než stromy 3 Operace s maticemi

VY_32_INOVACE_INF4_12. Počítačová grafika. Úvod

Dokumentace programu piskvorek

Jaroslav Tuma. 8. února 2010

Objektově orientovaná implementace škálovatelných algoritmů pro řešení kontaktních úloh

11. Tabu prohledávání

Globální matice konstrukce

1. Přednáška. Ing. Miroslav Šulai, MBA

Použití technik UI v algoritmickém obchodování III

DUM 14 téma: Barevné korekce fotografie

KLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ

METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1

Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence

Přehled vhodných metod georeferencování starých map

Transformace obrazu. Pavel Strachota. 16. listopadu FJFI ČVUT v Praze

jednoduchá heuristika asymetrické okolí stavový prostor, kde nelze zabloudit připustit zhoršují cí tahy Pokročilé heuristiky

10. Předpovídání - aplikace regresní úlohy

Konverze grafických rastrových formátů

Ing. Jan Buriánek. Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze Jan Buriánek, 2010

Transkript:

Prezentace pro seminář z umělé inteligence Samoorganizace a morphing Daniel Lessner 13. 11. 2009 Pozvolné zahájení: listopad 2007 Obhajoba: září 2009

Cíl práce Prozkoumat možnosti řešení morphingu pomocí samoorganizačních metod s cílem omezit nutnost lidské asistence.

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Morphing: o co jde Plynulá změna jednoho obrazu na druhý V plynulosti je schovaná subjektivita!

Morphing: využití

Morphing: využití Filmové efekty Obecně vzato: morphing = animace Dnes spíš nenápadně sceluje jiné efekty Zpracování videa

Morphing: využití Interpolace medicínského snímkování

Morphing: využití Průměrování velkého množství snímků

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Morphing: Základní řešení Prolnutí nestačí Mění se korespondující objekty, tzn. včetně tvaru Proto je třeba přidat warping, typicky specifikací korespondencí

Morphing: Základní řešení To obtížné na morphingu je specifikace a realizace warpingu.

Morphing: Klasické metody Síťový morphing (Mesh morphing) Úsečkový morphing (Field morphing) Interpolace korespondencí (TPS morphing, RBF morphing) Minimálně pracný morphing (Work minimization approach) Morphing minimalizací energie (Energy minimization) Víceúrovňová volná deformace (MFFD, Multilevel free-form deformation) Neautomatické informativní význam Co je podstatné pro práci: Síťový (používán dalšími) a Minimálně pracný (pro srovnání) budou následovat

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Síťový morphing + Přímočará myšlenka i implementace + Přímočaré chování a ovladatelnost + Rychlost výpočtu Neobratnost ve specifikaci warpingu

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Morphing: Minimalizace práce Jediný známý pokus o samočinnost (na podobných obrázcích) Konkrétní morphing ohodnotí množstvím potřebné práce Předpokládá, že snadný morphing bude vypadat přirozeně Hledá co nejméně pracný morphing

Morphing: Minimalizace práce Je třeba konkretizovat: 1) Reprezentaci warpingu ta předurčuje vše ostatní 2) Výpočet práce abychom dostávali přirozené sekvence 3) Hledání optima jak získat nejlepší výsledky v rozumném čase

Morphing: Minimalizace práce 1) Reprezentace warpingu: Čtvercová síť 2) Pracnost jednoho čtverce: 3) Hledání řešení: Postupným hierarchickým zjemňováním sítě

Morphing: Minimalizace práce Hledání tvaru řídicí sítě: Zbytek už je síťový morphing.

Morphing: Minimalizace práce + Samočinnost: výborný podpůrný nástroj, doladí nezajímavé detaily Vyžaduje podobné obrázky Ne zcela předvídatelné chování Někdy nutnost ladění parametrů Časová náročnost

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Samoorganizační mapy (stručná rekapitulace) Kvantizace vektorů Aproximace pravděpodobnostního rozložení vektorů Redukce dimenzionality souboru vektorů

Samoorganizační mapy (stručná rekapitulace) Jedna vrstva neuronů v pravidelné mřížce Váha neuronu odpovídá jeho umístění v prostoru Předložený vzor je reprezentován nejbližším neuronem Neurony se přibližují ke svým vzorům, aby je reprezentovaly ještě lépe, a stávají se tak reprezentanty celých skupin Postupně klesá plasticita a šířka adaptovaného okolí

Další samoorganizační metody Rostoucí samoorganizační mapa (Growing self-organizing map) Rostoucí neuronový plyn (Growing neural gas) Evolvující strom (Evolving tree) Přínosy: dynamický růst, volnější topologie, rychlejší výpočet

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Samoorganizace a morphing: Jak je zkombinovat? SOM hledá: nějak významné body SOM používá: nějakou mřížku Morphing potřebuje: nějak významné body Morphing používá: nějakou síť

Samoorganizace a morphing: Jak je zkombinovat? SOM hledá: nějak významné body SOM používá: nějakou mřížku Morphing potřebuje: nějak významné body Morphing používá: nějakou síť Co z toho lze vytěžit?

Otázka: Jak přimět SOM, aby hledala korespondence? Bude to dělat dobře?

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Přímočaré nasazení: popis Trénovací vzory jsou pixely obrazu, složky vektoru jsou např.: Prostorové souřadnice Intenzita barev, jas, střední hodnota jasu v okolí Různorodost: rozptyl, entropie, gradient, Síť naučená na prvním obrázku je první sítí, síť přeučená na druhý obrázek je druhou sítí, zbytek dopočítá síťový morphing Vzdálenost je vážená Eukleidovská, okraje sítě jsou svázany s okraji obrázku.

Přímočaré nasazení: popis Trénovací vzory jsou pixely obrazu SOM naučená na počáteční obrázek => počáteční řídicí síť SOM přeučená na koncový obrázek => koncová řídicí síť Zbytek dopočítá síťový morphing

Očekávaný vliv východisek Síťový morphing: Přímočará myšlenka i implementace Rychlost výpočtu Neobratnost: pevně daná topologie, uniformní jemnost sítě Samoorganizační mapa: Přímočarost, známé a prověřené chování Pevná velikost a topologie sítě

Přímočaré nasazení: výsledky Člověk by na to nekoukal.

Přímočaré nasazení: co teď? Takhle jednoduše by to nešlo. 1) Oko se soustředí na hrany, SOM na plochy. 2) Neuron v koncovém obrázku se bude podobat neuronu podle starého umístění, jenže v koncovém obrázku.

Přímočaré nasazení: co teď? Takhle jednoduše by to nešlo. 1) Oko se soustředí na hrany, SOM na plochy. 2) Neuron v koncovém obrázku se bude podobat neuronu podle starého umístění, jenže v koncovém obrázku. Většina práce spočívala v řešení těchto dvou bodů.

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Vylepšení hledání zajímavého místa Člověk se soustředí především na hrany obrázku, oblasti s vysokým kontrastem, gradientem apod. V těchto místech musí morphing proběhnout co nejlépe. Možnosti: 1) Změnit pojetí vzdálenosti ve prospěch zajímavých míst 2) Změnit rozdělení vzorů ve prospěch zajímavých míst

1) Změna pojetí vzdálenosti ve prospěch zajímavých míst Zajímavá místa budou blíž ostatním.!!! Neurony na zajímavých místech budou vítězit častěji Zajímavá místa budou mít velmi blízké reprezentanty Jde tedy například o úpravu: d(n, x) = δ(n, x) / zajimavost(n)

1) Změna pojetí vzdálenosti

1) Změna pojetí vzdálenosti: výsledky Nijak závratné. Je obtížné najít vhodný způsob výpočtu zajímavosti a koeficientu.

2) Změna rozdělení vzorů ve prospěch zajímavých míst Zajímavé vzory předložím častěji Neurony budou mít tendenci zaujímat zajímavá místa Očekávám síť spojující zajímavá místa počátečního obrázku s podobnými místy koncového obrázku.

2) Změna rozdělení vzorů: otázky Jak přesně vybírat vzory? Jaké je zastoupení různě zajímavých bodů v obrazu? Připomíná to selekci z evolučních algoritmů: Chci to kvalitní, ale ne tak úplně.

2) Změna rozdělení vzorů: konkrétní možnosti Pravděpodobnost výběru vzoru: Úměrná zajímavosti Úměrná kvantilu zajímavosti Hierarchický výběr Ovlivnění zajímavostí okolí

3) Vyřešení hledání korespondencí Potřebujeme udržet neurony v koncovém obrázku v nějakém vztahu k jejich umístění v počátečním obrázku.

Co je to korespondence? Dvojice míst v počátečním a koncovém obrázku, která si odpovídají. Umístěním? Barevně? Texturou? Tvarem? Významem!?

3) Řešení hledání korespondencí: Paměť neuronů d(v, x) = δ(vk, x) + δ(vp, x)

Proběhlo množství experimentů...

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Výsledný postup Počáteční nastavení: Nalezení významných bodů SOM s úpravou rozložení vzorů Určení korespondencí Délka učení, učící parametry, velikost sítě, váhový vektor... Předchozí SOM, ale s pamětí neuronů a případně i úpravou vah složek vektoru Spočtení morphingu Síťový morphing

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Testování: cíle Postupně vyloučit nefunkčních návrhů Vhodně nastavit ty úspěšné Vhodně nastavit Minimalizaci práce Porovnat naši metodu s Minimalizací práce

Testování: data

Testování: Postup srovnávání Vybrat dvojici obrázků a směr morphingu Najít (subjektivně) kvalitní nastavení Toto nastavení spustit opakovaně a sledovat kvalitu a čas Zaznamenat výsledky

Implementace Python Rychlý vývoj Množství připravených knihoven (maticový počet, obrázky) Pomalé výpočty Další technické detaily: Normalizace složek vektoru (nikoliv délek) Příklad typického nastavení vah pro výpočet d: [1, 1, 0.05,0.05,0.05, 0.1, 0.1, 1.3, 1.3] Sofistikovanost složek vektoru nepomáhá (aspoň zatím)

Výsledky: Minimalizace práce Průměrný čas z 9 pokusů: 175,1 s (s. o. 2,9 s) Průměrný čas ze 12 pokusů: 181,3 s (s. o. 2,5 s)

Výsledky: Ostré hrany Průměrný čas ze 12 pokusů: 6,2 s (s. o. 3,1 s)

Výsledky: Ostré hrany Průměrný čas ze 13 pokusů: 89,0 s (s. o. 1,8 s)

Výsledky: Různé obličeje Průměrný čas z 11 pokusů: 152,8 s (s. o. 6,1 s)

Výsledky: Tentýž obličej Průměrný čas ze 14 pokusů: 252,7 s (s. o. 5,3 s)

Výsledky: Nepodobné snímky Lepších výsledků se nedařilo dosáhnout (ani jedné metodě).

Osnova prezentace 1) Morphing O co jde, využití Základní postupy: Síťový morphing, Minimálně pracný morphing 2) Samoorganizační mapy (rekapitulace) 3) Zkoumané možnosti použití SOM na morphing Přímočaré nasazení a proč nefunguje Navržená vylepšení Výsledný postup 4) Testování a jeho výsledky 5) Závěr

Srovnání samočinných metod Minimalizace práce: Poměrně hrubá nastavitelnost (stupeň sítě) Pomalé Hybridní samoorganizační morphing Mnoho parametrů (metoda je ale celkem robustní) Horší chování na okrajích obrázku (dědictví SOM) Možnost jemnějšího ladění Lepší vystižení hran Stačí méně řídicích bodů Lepší možnosti kombinování (používá korespondence)

Závěrečná doporučení Ostré hrany, geometrické tvary, kresby? Velmi podobné obrázky a zkušenosti s metodou minimalizace práce? Větší odlišnosti, nechci se nimrat s parametry? Jasná představa o výsledku?

Bohatství nabytých zkušeností Lépe odhadnout potřebný čas Více času věnovat textu a solidním experimentům Nemít velké oči, včas se krotit v nápadech Ještě více zdravé lenosti a automatizace

Zhodnocení Cíl splněn: Víme, že samoorganizační metody k řešení morphingu využít lze. Navrhli jsme perspektivní metodu, která od uživatele nevyžaduje určení korespondencí.

Dotazy

Děkuji za pozornost.

Zdroje Ilustrační obrázky: Česká televize: http://www.ceskatelevize.cz/specialy/arabela, 16. 9. 2009 Paramount Pictures, Indiana Jones and the Last Crusade (1989) Wikimedia Commons, Dwayne Reed at en.wikipedia.org Braun C., Gruendl M., Marberger C. A kol. Beauty-check - Ursachen und Folgen von Attraktivitaet. Dostupné on-line: http://www.beautycheck.de/english/bericht/bericht.htm Wolberg G. (1998): Image morphing: a survey. Visual Computer 14, 360-372. Springer-Verlag. Sederberg T. W., Greenwood E. (1992): A physically based approach to 2D shape blending. Computer Graphics 26, 25-34.