Razpoznavanje vzorcev

Opis predmeta

Uvod: definicije, oblike vzorcev, razpoznavanje vzorcev z razvrščanjem in analizo, uporaba metod razpoznavanja vzorcev v gospodarstvu, prometu, medicini, robotiki, bančništvu, kriminalistiki, pri komunikaciji človek-stroj ipd.
Predobdelava vzorcev: obnavljanje, izboljšanje kakovosti, normalizacija.
Razčlenjevanje vzorcev: zasnova, razčlenjevanje vidnih vzorcev, razčlenjevanje slušnih vzorcev.
Značilke vzorcev: hevristični in matematični postopki določanja značilk.
Analiza primernosti opisa področja uporabe z učno množico vzorcev: mere razdalje med vzorci, preizkus rojenja vzorcev, »izrazita« in »neizrazita« definicija rojenja, postopki iskanja rojev, »globoko« učenje generativnih modelov.
Razvrščanje vzorcev: razvrščanje vektorjev vrednosti značilk s prileganjem, odločanjem, sklepanjem in umetnimi nevronskimi omrežji; razvrščanje nizov vrednosti značilk z dinamičnim programiranjem in prikritimi Markovovimi modeli; razvrščanje grafnih struktur s prileganjem; razvrščanje ob upoštevanju soodvisnosti vzorcev.
Kombiniranje in zlivanje razvrščevalnikov.

Seznaniti študenta z naprednimi matematičnimi in računalniškimi metodami razpoznavanja vzorcev z razvrščanjem in analizo.

Po zaključku predmeta bo študent zmožen izkazati znanje in razumevanje iz:

gradnje sistemov, ki temelje na razpoznavanju signalov iz okolja,
modeliranja določenih razumskih zmožnosti človeka (zaznavanje in spoznavanje okolja, učenje),
sodobnih metod razčlenjevanja, luščenja značilk, rojenja in razvrščanja vzorcev.

Med študijem pri tem predmetu bo pridobil ali nadgradil prenosljive spretnosti, kot so:

uporaba informacijske tehnologije: uporaba razvojnih orodij (OpenCV, Weka Data Mining Toolkit), okolij za programiranje (Matlab, GNU Compiler Collection, Netbeans), programskih jezikov (Matlab, C++, Java),

reševanja problemov: analiza problema, načrtovanje algoritma, implementacija programa in testiranje programa.

Dobrišek S, Žibert J, Pavešić N, Mihelič F (2009) An edit-distance model for the approximate matching of timed strings. IEEE transactions on pattern analysis and machine intelligence, 31:736-741
Gajšek R, Mihelič F, Dobrišek S (2013) Speaker state recognition using an HMM-based feature extraction method. Computer speech & language, 27:135-150
Križaj J, Štruc V, Dobrišek S (2013) Towards robust 3D face verification using Gaussian mixture models. International journal of advanced robotic systems, 9:1-11
Dobrišek S, Gajšek R, Mihelič F, Pavešić N, Štruc V (2013) Towards efficient multi-modal emotion recognition. International journal of advanced robotic systems, 10:1-10
Justin T, Mihelič F, Dobrišek S (2014) Intelligibility assessment of the de-identified speech obtained using phoneme recognition and speech synthesis systems, Lecture Notes in Computer Science – Springer Verlag, 8655:529-536.

Pavešić , N (2012) Razpoznavanje vzorcev : uvod v analizo in razumevanje vidnih in slušnih signalov – 3., popravljena in dopolnjena izdaja, Založba FE in FRI, Slovenija
Murphy , KP (2012) Machine learning: a probabilistic perspective, MIT Press, Cambridge, MA
Theodoridis S, Koutroumbas K (2009) Pattern Recognition, Fourth Edition, Academic Press
Bishop, CM (2009) Pattern recognition and machine learning, Springer, New York