Razpoznavanje vzorcev

Opis predmeta

Uvod v razpoznavanje vzorcev: osnovni pojmi in izrazoslovje, začetni zapis vzorcev, računska zapletenost algoritmov razpoznavanja, razvrstitev postopkov razpoznavanja vzorcev.
Razčlenjevanje vzorcev: postopki razčlenjevanja govornega signala in slik.
Hevristične značilke vzorcev: značilke izsekov govornega signala, značilke področij slike.
Analiza področja uporabe v vzorčnem prostoru s postopki iskanja rojev: definicija rojev in rojenja vzorcev, mere podobnosti vzorcev, predobdelava množice vzorcev, hierarhični postopek iskanja rojev.
Najboljše značilke vzorcev: mere ločljivosti razredov vzorcev, izbira in izpeljava značilk, določanje značilk z ortogonalnimi transformacijami.
Razvrščanje vzorcev s prileganjem: pravilo razvrščanja "k-najbližjih sosedov".
Razvrščanje vzorcev z odločanjem: odločitvene funkcije, načrti razvrščevalnikov vzorcev, polinomske odločitvene funkcije, postopki učenja, stroji podpornih vektorjev, verjetnostne odločitvene funkcije, učenje verjetnostnih odločitvenih funkcij.
Razvrščanje vzorcev z nevronskimi omrežji: topologija nevronskih omrežjih, vzvratno učenje, globoka nevronska omrežja, povratna nevronska omrežja.
Preizkušanje razpoznavalnika vzorcev: postopki ocenjevanja verjetnosti napačnega razpoznavanja z in brez preizkusne množice vzorcev.

Cilji in kompetence

Cilj predmeta je študentu podati znanje o osnovnih matematičnih in računalniških konceptih, ki se uporabljajo pri izgradnji umetnih zaznavnih sistemov in so nepogrešljiv del inteligentnih sistemov v avtomatiki. Pridobljeno znanje je podlaga za razumevanje in načrtovanje sistemov za samodejno razpoznavanje vzorcev ter umetnih inteligentnih sistemov, ki temeljijo na samodejnem učenju in pridobivanju znanja iz različnih senzorskih podatkov o okolju.

Metode poučevanja in učenja

Na predavanjih so podane teoretične osnove vseh obravnavanih modelov in metod. Predstavljeni so tudi preprosti računski primeri, ki ponazarjajo ključne značilnosti predstavljenih metod. Študentom je na razpolago učbenik in drugo gradivo v obliki skripte z rešenimi nalogami in drsnice s predavanj. V okviru predavanja študenti dobijo neobvezne domače naloge, ki vključujejo nekaj teoretičnih vprašanj in tudi nekaj računskih nalog, ki študentom omogočajo sprotno preverjanje pridobljenega znanja. Praktično delo poteka v okviru laboratorijskih vaj, kjer študenti rešujejo predvsem zadane programerske naloge. V okviru laboratorijskih vaj študenti izvedejo še izbirne projekte, v okviru katerih udejanjijo izbrano metodo samodejnega razpoznavanja vzorcev na izbranem področju uporabe. O rezultatih izbirnega projekta poročajo v pisnem poročilu.

Predvideni študijski rezultati

Po uspešno opravljenem predmetu naj bi bili študenti zmožni:

opisati osnovne koncepte in gradnike sistemov za samodejno razpoznavanje vzorcev, ki z analizo senzorskih podatkov in drugih osnovnih meritev s simboli opisujejo svoje okolje,
razložiti osnovne metode luščenja značilk iz senzorskih podatkov ter rojenja, razvrščanja in razpoznavanja vzorcev,
uporabiti razvojna orodja, programska okolja in podatkovne zbirke za razvoj sistemov za samodejno razpoznavanje vzorcev,
analizirati senzorske podatke in druge osnovne meritve z namenom luščenja značilk, ki so najbolj primerne za dano področje uporabe,
razviti sisteme za samodejno razpoznavanje vzorcev za izbrano področje uporabe ter
ovrednotiti točnost delovanja danih sistemov za samodejno razpoznavanje vzorcev.

Reference nosilca

DOBRIŠEK, Simon, ŠTRUC, Vitomir, KRIŽAJ, Janez, MIHELIČ, France. Face recognition in the wild with the probabilistic Gabor-Fisher classifier. V: 11th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2015), Ljubljana, Slovenia, May 4-8, 2015. FG 2015. Danvers: IEEE, cop. 2015, b-Wild, str. 1-6.
GAJŠEK, Rok, MIHELIČ, France, DOBRIŠEK, Simon. Speaker state recognition using an HMM-based feature extraction method. Computer speech & language, ISSN 0885-2308, Jan. 2013, vol. 27, no. 1, str. 135-150.
DOBRIŠEK, Simon, GAJŠEK, Rok, MIHELIČ, France, PAVEŠIĆ, Nikola, ŠTRUC, Vitomir. Towards efficient multi-modal emotion recognition. International journal of advanced robotic systems, ISSN 1729-8814, 2013, vol. 10, no. 53, str. 1-10.
KRIŽAJ, Janez, ŠTRUC, Vitomir, DOBRIŠEK, Simon. Towards robust 3D face verification using Gaussian mixture models. International journal of advanced robotic systems, ISSN 1729-8814, 2012, vol. 9, no. 162, str. 1-11.
DOBRIŠEK, Simon, MIHELIČ, France. Time- and acoustic-mediated alignment algorithms for speech recognition evaluation. V: 12th Annual Conference of the International Speech Communication Association, August 27-31, 2011, Florence, Italy. COSI, Piero (ur.). Speech science and technology for real life : conference proceedings, (Interspeech, ISSN 1990-9772). [Grenoble]: International Speech Communication Association, cop. 2011, str. 1517-1520.

Temeljni viri in literatura

N. Pavešić: Razpoznavanje vzorcev (3. izdaja), Založba FE in FRI, 2012.
S. Theodoridis, K. Koutroumbas: Pattern Recognition (4. izdaja), Academic Press, 2009.
C. M. Bishop: Pattern Recognition and Machine Learning, Springer, 2007