Intelligenza artificiale
|
|
- Romolo Ferretti
- 5 anni fa
- Visualizzazioni
Transcript
1 Intelligenza artificiale (01BITOV) Ship or iceberg, can you decide from space? Prof. Elio Piccolo Andrea Grippi, Elisa Wan
2 Indice Ship or iceberg, can you decide from space?... 0 Contesto... 2 Obiettivo... 3 Input... 3 Analisi dei dati di input... 3 Strategia... 4 Strumenti utilizzati... 4 Python Tensorflow... 4 Keras... 4 CNN (Convolutional Neural Network)... 4 Funzioni di attivazione... 6 Relu... 6 Sigmoide... 6 Modello base... 6 Matrice di numeri reali... 6 Immagini in formato jpg... 6 Immagini ritagliate... 7 Immagini con parti annerite... 7 Con quale tipo di input si ottengono i risultati migliori?... 8 Image Generator... 9 Modello completo Immagini RGB Modello finale Risultato Bibliografia
3 Contesto Gli iceberg alla deriva nei mari del nord rappresentano un pericolo per la navigazione. Attualmente, molte istituzioni usano tecniche di ricognizione aerea e supporto dalla terra ferma per monitorare la situazione e valutare i rischi derivati dalla presenza di iceberg. Tuttavia, in aree remote e in condizioni meteo particolarmente avverse, queste tecniche non sono possibili e bisogna ricorrere all uso di satelliti. A 600 chilometri sopra la superficie della Terra, si trova la costellazione di satelliti Sentinel-1, utilizzati per monitorare la terra Figura 1: Sentinel-1 può trasmettere e ricevere lungo il piano orizontale e verticale e gli oceani. Orbitano 14 volte al giorno, e catturano immagini della superficie terrestre ad una determinata ora e in un determinato posto. Il radar C-Band lavora ad una frequenza tale da permettergli di vedere attraverso l oscurità, la pioggia, le nuvole e la nebbia. Quando un radar rileva un oggetto, non riesce a distinguere un iceberg da una nave o altri oggetti solidi. Le immagini utilizzate in questa analisi sono ottenute tramite due canali, HH (trasmissione/ricezione orizzontale) e HV(trasmissione orizzontale e ricezione verticale). Nonostante alcuni oggetti possano essere facilmente riconoscibili a occhio nudo, il riconoscimento in un immagine con centinaia di oggetti può impiegare anche molto tempo. Alcuni esempi semplici: Figura 2: Immagini di navi Figura 3: Immagini di Iceberg 2
4 Altre immagini sono più difficili da classificare: Figura 4: Immagini di navi Figura 5: Immagini di iceberg Obiettivo Costruire un modello di rete neurale per la classificazione degli oggetti in navi o iceberg. Input Il dataset è diviso in training set con 1604 entries e test set con 8424 entries. Ogni entry è costituito dalle seguenti informazioni: Id identificativo dell immagine band_1, band_2 vettori di immagine. Ogni immagine ha 75x75 pixel. Ogni pixel è rappresentato da un valore reale in db. Le immagini denominate band_1 corrispondono al canale HH (trasmissione e ricezione orizzontali) mentre le immagini denominate band_2 corrispondono all altro canale di trasmissione e ricezione HV (trasmissione orizzontale e ricezione verticale). inc_angle l angolo di incidenza. I valori mancanti sono contrassegnati con na. is_iceberg la classificazione Analisi dei dati di input Ogni immagine presenta un oggetto molto chiaro in centro e il mare scuro intorno. Solo una piccola parte dell immagine è interessante. Ogni oggetto è rappresentato da due immagini. Le immagini non sono date in un formato standard, ma sono rappresentate da una matrice di numeri reali. 3
5 Strategia Reti neurali con stati convoluzionali con semplice pre-processamento delle immagini. Strumenti utilizzati Python 2.7 Linguaggio di programmazione scelto per la sua versatilità e la sua diffusione in questo campo di studi. Dispone di librerie quali Tensorflow e Keras che abbiamo utilizzato per svolgere il progetto Tensorflow Tensorflow è una libreria di software open source per il calcolo numerico tramite l utilizzo di grafici per rappresentare il flusso di dati. I nodi nel grafico rappresentano operazioni matematiche, mentre gli archi rappresentano i vettori di dati multidimensionali (tensori) comunicati. Keras Keras è una API di alto livello per lo sviluppo di reti neurali scritta in Python e può essere utilizzata con Tensorflow, CNTK o Theano. Con Keras, i modelli si possono creare in due modi differenti: API sequenziale: per la creazione livello per livello di modelli molto semplici. API funzionale: per la creazione di modelli più complessi. Nella nostra analisi, abbiamo dovuto utilizzare l API funzionale per poter creare un modello con più di un input. CNN (Convolutional Neural Network) Figura 6: Rete neurale convoluzionale Le reti neurali convoluzionali sono un tipo di rete neurale feed-forward che è stato ispirato al funzionamento dei neuroni della corteccia visiva degli animali, i cui neuroni individuali sono disposti in maniera tale da rispondere alle regioni di sovrapposizione che tassellano il campo 4
6 visivo. Sono spesso utilizzate nel riconoscimento di immagini, per cui sono particolarmente adatte e non richiedono pre-elaborazione delle immagini. In letteratura si possono trovare differenti architetture di reti convoluzionali, la famiglia LeNet utilizza i seguenti strati: Convolutional layer Non-linearity layer Pooling layer Fully connected layer Lo strato convoluzionale ha il compito di estrarre caratteristiche dalle immagini. Più strati convoluzionali usiamo, più complicati saranno le caratteristiche che la nostra rete riuscirà ad imparare. L estrazione di queste caratteristiche avviene tramite l operazione di convoluzione, che consiste nell applicare il prodotto matriciale della matrice (filtro) su tutta l estensione dell immagine. Figura 7: Immagine Figura 8: Filtro di convoluzione Figura 9: Operazione di convoluzione Lo strato di pooling serve a ridurre la dimensione dell immagine. In particolare, il Max Pooling, prende il massimo valore da una finestra n n. Questa operazione è utile nella prevenzione dall overfitting e rende la rete resistente a piccole variazioni di input. Infine, lo strato completamente connesso è un Multi Layer Perceptron che combinando le caratteristiche estratte degli strati convoluzionali precedenti classifica l immagine originale nelle varie classi. 5
7 Funzioni di attivazione Figura 10: Funzione di attivazione sigmoide a sinistra e relu a destra Relu Tutti gli input negativi, sottoposti a questa funzione di attivazione, diventano immediatamente degli zeri. Tuttavia, è la funzione di attivazione tipicamente utilizzata nelle reti convoluzionali. Sigmoide L output della funzione sigmoidea è limitata tra 0 e 1, per questo motivo, è utilizzata in modelli che devono predire la probabilità di un output. Nel nostro caso, la probabilità che ci sia un iceberg. Modello base Utilizziamo una semplice rete neurale che chiamiamo modello base per determinare sotto quale forma è meglio presentare i dati di input alla rete convoluzionale. Matrice di numeri reali La prima possibilità è di sottoporre alla rete neurale i dati grezzi ottenuti dai satelliti senza alcuna manipolazione. Il vantaggio è che non si perdono informazioni ma utilizziamo tutto quello di cui disponiamo. Immagini in formato jpg Trasformare la matrice grezza in un immagine vera e propria in formato jpg. In questo modo perdiamo delle informazioni per colpa della trasformazione dei numeri reali in numeri interi compresi tra 0 e 255. Figura 11: Modello base 6
8 Immagini ritagliate Cerchiamo di eliminare le informazioni inutili per facilitare il lavoro della rete neurale ritagliando l area interessante. L oggetto da analizzare è sempre caratterizzato un colore molto chiaro, ritagliamo, quindi i pixel con un valore sopra di una soglia euristica. Figure 12: Immagine originale a sinistra e corrispondente immagine ritagliata a destra. Le immagini con sfondo molto chiaro non vengono ritagliate perché la soglia stabilita non è abbastanza discriminante. Immagini con parti annerite Figure 13: Immagine originale con sfondo molto chiaro a sinistra e corrispondente immagine ritagliata a destra. Un altro modo semplice per eliminare informazioni non utili è quello di annullare tutti i pixel con valori sotto una certa soglia euristica decisa a priori. I risultati migliori sono stati ottenuti con una soglia pari a 150. In seguito, le immagini ottenute, come si può vedere anche in questo caso, l area interessante è difficile da evidenziare se lo sfondo è troppo chiaro. Figure 14: Immagine originale a sinistra e corrispondente immagine manipolata a destra. Figure 11: Immagine originale con sfondo chiaro a sinistra e corriposndente immagine manipolata a destra. 7
9 Con quale tipo di input si ottengono i risultati migliori? Confrontiamo i risultati ottenuti sottoponendo al modello base i quattro tipi di immagini. Figura 16: Grafico dei valori di accuratezza ottenuti con i vari input. In blu sono i valori ottenuti con il training set, in arangione i valori ottenuto con il validation set. Input Type Set Loss Accuracy Matrice grezza (matrix) Training set Matrice grezza (matrix) Validation set Immagine (image) Training set Immagine (image) Validation set Immagine annerita (black) Training set Immagine annerita (black) Validation set Immagine ritagliata (crop) Training set Immagine ritagliate (crop) Validation set Il grafico riporta i valori di accuratezza calcolato sul training set e sul validation set nei quattro casi. Dai risultati ottenuti, si nota che le operazioni di pre-processamento effettuate non sono utili. La rete convoluzionale è in grado di effettuare tutte le trasformazioni necessarie. Proseguiamo, l analisi senza fare pre-processamento di immagini manualmente. 8
10 Image Generator Il nostro training set di 1604 elementi può essere ampliato artificialmente applicando delle trasformazioni (zoom, rotazione, traslazione,...) alle immagini originarie per generare nuove immagini. Figura 17: Immagini create dal processo di data augmentation Anche in questo caso abbiamo provato ad applicare il processo di ampliamento dei dati di training ai vari formati di input considerati in precedenza, e anche in questo caso i risultati ottenuti ci indirizzano verso l uso della matrice di valori reali. Figura 18: valori di accuratezza calcolati sul training set e sul validation set sul quale si è applicato il processo di data augmentation. 9
11 Modello completo Modello in grado di accettare tre diversi input: Band_1 Band_2 Inc_angle Due immagini band_1 e band_2 passano attraverso una serie di strati convoluzionali, il risultato di queste convoluzioni viene unito a inc_angle e un MultiLayer Perceptron si occupa della classificazione in nave o iceberg. #band_1 images visible1 = Input(shape=(75,75,1)) #Immagini conv11 = Conv2D(32, kernel_size=3, activation='relu')(visible1) pool11 = MaxPooling2D(pool_size=(2, 2))(conv11) conv12 = Conv2D(64, kernel_size=3, activation='relu')(pool11) pool12 = MaxPooling2D(pool_size=(2, 2))(conv12) conv13 = Conv2D(64, kernel_size=3, activation='relu')(pool12) pool13 = MaxPooling2D(pool_size=(2, 2))(conv13) flat1 = Flatten()(pool13) #band_2 images visible2 = Input(shape=(75,75,1)) #Immagini conv21 = Conv2D(32, kernel_size=3, activation='relu')(visible2) pool21 = MaxPooling2D(pool_size=(2, 2))(conv21) conv22 = Conv2D(64, kernel_size=3, activation='relu')(pool21) pool22 = MaxPooling2D(pool_size=(2, 2))(conv22) conv23 = Conv2D(64, kernel_size=3, activation='relu')(pool22) pool23 = MaxPooling2D(pool_size=(2, 2))(conv23) flat2 = Flatten()(pool23) #inc_angles visible3 = Input(shape=(1,)) #Vettore con gli angoli flat3 = Dense(32, input_shape=(1,))(visible3) #merge merge = concatenate([flat1, flat2, flat3]) hidden1 = Dense(32, activation='relu')(merge) hidden2 = Dropout(0.5)(hidden1) hidden3 = Dense(32, activation='relu')(hidden2) output = Dense(1, activation='sigmoid')(hidden3) model = Model(inputs=[visible1, visible2, visible3], outputs=output) model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy']) history=model.fit([band_1_train,band_2_train,angoli_train],[train_classes], validation_data=([band_1_val, band_2_val, angoli_val], [val_classes]), epochs=15, verbose=2) 10
12 Figura 19: Modello di rete convoluzionale con tre input: band_1, band_2 e inc_angle 11
13 In seguito, sono mostrati gli andamenti dell accuratezza e della perdita nella fase di apprendimento. Figura 4: Andamento di accuratezza e perdita del training set e del validation set durante la fase di apprendimento di 40 epoche Immagini RGB Le immagini, in codifica RGB, non sono altro che delle matrici a tre dimensioni: Larghezza Altezza 3, risultato della sovrapposizione di di tre matrici, una per il rosso, una per il verde e una per il blu. Sfruttiamo questa codifica per creare delle immagini nel seguente modo: R = matrice band_1 G = matrice band_2 B = matrice band_1 + band_2 che porta con sé informazioni sulla differenza tra le due immagini Figure 21: Immagine data dalla sovrapposizione di "band_1", "band_2" e "band_1+band_2" 12
14 Modello finale Il modello finale scelto accetta in input le immagini RGB e l angolo di incidenza. In questo modo riduciamo la complessità del modello, aumentando al contempo il numero di input. Dati gli andamenti delle curve di accuratezza e di perdita, mostrati in seguito, si è scelto di fermare il processo di apprendimento a 30 epoche con il quale abbiamo ottenuto i seguenti risultati: Training set: o Accuratezza = o Perdita = Validation set: o Accuratezza = o Perdita = Figure 22: Andamento dell'accuratezza e della perdita del training set e del validation set su 60 epoche. Risultato Calcolando le previsioni su un test set di cui non conosciamo la classificazione, è stato calcolata una perdita di , mentre il primo classificato della competizione ha ottenuto una perdita di
15 #create model input1 = Input(shape=(75,75,3)) #Immagini conv11 = Conv2D(64, kernel_size=3, activation='relu')(input1) pool11 = MaxPooling2D(pool_size=(2, 2))(conv11) drop11 = Dropout(0.2)(pool11) conv12 = Conv2D(128, kernel_size=3, activation='relu')(drop11) pool12 = MaxPooling2D(pool_size=(2, 2))(conv12) drop12 = Dropout(0.2)(pool12) conv13 = Conv2D(128, kernel_size=3, activation='relu')(drop12) pool13 = MaxPooling2D(pool_size=(2, 2))(conv13) drop13 = Dropout(0.2)(pool13) conv14 = Conv2D(64, kernel_size=3, activation='relu')(pool13) pool14 = MaxPooling2D(pool_size=(2, 2))(conv14) drop14 = Dropout(0.2)(pool14) flat1 = Flatten()(drop14) input2 = Input(shape=(1,)) #Vettore con gli angoli merge = concatenate([flat1, input2]) dense1 = Dense(512, activation='relu')(merge) drop1 = Dropout(0.2)(dense1) dense2 = Dense(512, activation='relu')(drop1) drop2 = Dropout(0.2)(dense2) dense3 = Dense(256, activation='relu')(dense2) drop3 = Dropout(0.2)(dense3) output = Dense(1, activation='sigmoid')(drop3) model = Model(inputs=[input1, input2], outputs=output) model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy']) Figure 23: Modello della rete neurale finale 14
16 Bibliografia Descrizione competizione: Descrizione background: QUASI-SCATTERING MATRIX REGISTRATION IN REPEAT PASS MODE:[L. Zakharova and A. Zakharov] Combining polarimetric channels for better ship detection results [Tonje Nanette Arnesen Hannevik]: Getting started with the Keras Sequential model Overfitting Convolutional neural networks
Riconoscimento immagini con Keras e Tensorflow Gabriele Baldi
Riconoscimento immagini con Keras e Tensorflow Gabriele Baldi https://github.com/bnznamco/keras_model_and_slides_notabugconf Riconoscimento immagini Attività tipica del cervello umano Task molto difficile
DettagliMACHINE LEARNING E CREATIVITÀ ARTIFICIALE
MACHINE LEARNING E CREATIVITÀ ARTIFICIALE Davide Maltoni Ingegneria e Scienze Informatiche Cesena EDMOND DE BELAMY EDMOND DE BELAMY Battuto all asta da Christie s nell ottobre 2018. Stima iniziale di vendita:
DettagliProcessamento delle immagini
Processamento delle immagini Docente: Domenico Daniele Bloisi Novembre 2017 Esercizio 1 Utilizzare il linguaggio di programmazione Python e la libreria OpenCV per visualizzare sullo schermo il logo ASL
DettagliIntroduzione alle Reti Neurali
Introduzione alle Reti Neurali Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com Reti Neurali Terminator
DettagliL'Intelligenza Artificiale: nuove frontiere per l'identificazione e la tracciabilità degli animali. Andrea Capobianco Dondona, DVM, MSc
L'Intelligenza Artificiale: nuove frontiere per l'identificazione e la tracciabilità degli animali Andrea Capobianco Dondona, DVM, MSc 1 L IZSAM investe nel futuro: Artificial Intelligence e Deep Learning
DettagliLe macchine calcolatrici possono pensare? Laboratorio
Pattern Recognition and Applications Lab Le macchine calcolatrici possono pensare? Laboratorio Ambra Demontis, Battista Biggio, Fabio Roli {ambra.demontis, battista.biggio, roli}@diee.unica.it Dipartimento
DettagliReti Neurali in Generale
istemi di Elaborazione dell Informazione 76 Reti Neurali in Generale Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono
DettagliLA PREDIZIONE DELLE PORTATE DELLE SORGENTI DI. Salvatore Rampone Carmine Tiso
UN SISTEMA DI INTELLIGENZA COMPUTAZIONALE PER LA PREDIZIONE DELLE PORTATE DELLE SORGENTI DI SERINO Salvatore Rampone Carmine Tiso DSGA - Dipartimento di Studi Geologici e Ambientali Università del Sannio
DettagliReti Neurali (Parte III)
Reti Neurali (Parte III) Corso di AA, anno 2017/18, Padova Fabio Aiolli 08 Novembre 2017 Fabio Aiolli Reti Neurali (Parte III) 08 Novembre 2017 1 / 16 Reti Neurali Multistrato Fabio Aiolli Reti Neurali
DettagliAutomatic and Accurate Extraction of Road Intersections from Raster Maps
Automatic and Accurate Extraction of Road Intersections from Raster Maps Studente Francesco Vitagliani Introduzione L uso delle mappe è noto da tempi antichi. Oggi grazie alla diffusione di mappe raster,
DettagliTecniche di enfatizzazione
Tecniche di enfatizzazione Cosa è l enfatizzazione delle immagini L enfatizzazione o enhancement delle immagini è un insieme di tecniche che vengono utilizzate per migliorare l aspetto delle immagini al
DettagliCorso di Informatica
Corso di Informatica Modulo 1 4-Rappresentazione di informazioni non numeriche 1 Prerequisiti Struttura del sistema di elaborazione Evoluzione dei sistemi di elaborazione Uso elementare della multimedialità
DettagliIntroduzione a Matlab
Introduzione a Matlab Skin Detection & Iris Normalization Fondamenti di Visione Artificiale a.a. 2015/2016 12/05/16 Estrazione dei Contorni 1 Skin Detection - Introduzione Il processo di skin detection
DettagliIntelligenza Artificiale Complementi ed Esercizi
Intelligenza Artificiale Complementi ed Esercizi Reti Neurali AA 2013-2014 Il riconoscimento dei caratteri scritti a mano Handwritten Recognition Il problema Data una cifra scritta a mano, riconoscere
DettagliDEEP LEARNING PER CONTROLLO QUALITA PRODOTTO E CONTROLLO DI PROCESSO Alessandro Liani, CEO e R&D Manager
DEEP LEARNING PER CONTROLLO QUALITA PRODOTTO E CONTROLLO DI PROCESSO Alessandro Liani, CEO e R&D Manager Smart Vision - Le tecnologie per l industria del futuro Machine Learning Famiglie di machine learning
DettagliMappatura di aree inondate da immagini satellitari
Mappatura di aree inondate da immagini satellitari Ing. Antonio Cotroneo cotroneoingegneria@gmail.com www.cotroneoingegneria.it Sommario Introduzione al Telerilevamento (Remote Sensing) e principi generali
DettagliUniversità degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019
DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019 Nome: Cognome: Matricola: Riga: Colonna:
DettagliValutazione delle Prestazioni di un Classificatore. Performance Evaluation
Valutazione delle Prestazioni di un Classificatore Performance Evaluation Valutazione delle Prestazioni Una volta appreso un classificatore è di fondamentale importanza valutarne le prestazioni La valutazione
DettagliAnalisi dei segnali audio basata su Deep Learning per applicazione di sicurezza
Analisi dei segnali audio basata su Deep Learning per applicazione di sicurezza Alessandro Neri, Francesco Calabrò, Federica Battisti, Marco Carli, Federico Colangelo, BOLOGNA, 12 aprile 2017 Università
DettagliIntroduzione a Deep Learning
Introduzione a Deep Learning Rita Fioresi 1 1 Dipartimento di Matematica, Universita di Bologna rita.fioresi@unibo.it February 26, 2018 Indice Introduzione Storica Perceptron Reti neurali Artificiali (ANN)
DettagliTesina Intelligenza Artificiale Maria Serena Ciaburri s A.A
Tesina Intelligenza Artificiale Maria Serena Ciaburri s231745 A.A. 2016-2017 Lo scopo di questa tesina è quello di clusterizzare con l algoritmo K-Means i dati presenti nel dataset MNIST e di calcolare
DettagliReti Neurali. Corso di AA, anno 2016/17, Padova. Fabio Aiolli. 2 Novembre Fabio Aiolli Reti Neurali 2 Novembre / 14. unipd_logo.
Reti Neurali Corso di AA, anno 2016/17, Padova Fabio Aiolli 2 Novembre 2016 Fabio Aiolli Reti Neurali 2 Novembre 2016 1 / 14 Reti Neurali Artificiali: Generalità Due motivazioni diverse hanno spinto storicamente
DettagliReti Neurali (Parte I)
Reti Neurali (Parte I) Corso di AA, anno 2017/18, Padova Fabio Aiolli 30 Ottobre 2017 Fabio Aiolli Reti Neurali (Parte I) 30 Ottobre 2017 1 / 15 Reti Neurali Artificiali: Generalità Due motivazioni diverse
DettagliNeural Networks. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Neural Networks Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 28/05/2018 Neural Networks Struttura di una NN Backpropagation algorithm Altre strutture di rete Limiti dei sample-based
DettagliAlma Mater Studiorum Università di Bologna
Alma Mater Studiorum Università di Bologna SCUOLA DI INGEGNERIA E ARCHITETTURA DIPARTIMENTO DI INGEGNERIA DELL'ENERGIA ELETTRICA E DELL'INFORMAZIONE CORSO DI LAUREA IN INGEGNERIA ELETTRONICA E TELECOMUNICAZIONI
DettagliINTRODUZIONE AI SISTEMI DI CLASSIFICAZIONE
INTRODUZIONE AI SISTEMI DI CLASSIFICAZIONE CON RETI NEURALI di G. Masala INTRODUZIONE Sistema di classificazione o riconoscimento Un sistema di classificazione [1][2] o di riconoscimento, considerato in
DettagliCorso di Intelligenza Artificiale A.A. 2016/2017
Università degli Studi di Cagliari Corsi di Laurea Magistrale in Ing. Elettronica Corso di Intelligenza rtificiale.. 26/27 Esercizi sui metodi di apprendimento automatico. Si consideri la funzione ooleana
DettagliIl Machine Learning: motore di innovazione guidato dai dati. Rosa Meo
Il Machine Learning: motore di innovazione guidato dai dati Rosa Meo Di cosa parleremo Il Machine Learning e l Intelligenza Artificiale I principali modelli di apprendimento del Machine Learning Recenti
DettagliReal-Time Visual Tracking Fabio Baldo matr , Luigi Carozza matr Sommario Introduzione Teoria di base Support Vector Machines Newton Raph
Applicazione del filtraggio alla Kalman e ottimizzazione mediante Corso di Progettazione dei Sistemi di Controllo - Università degli studi di Padova 29 Febbraio 2012 Il comprende tutti quegli algoritmi
DettagliElaborazione delle immagini a basso livello
Sommario Introduzione Percezione Formazione delle immagini Estrazione di informazione 3D da un immagine Riconoscimento di oggetti Manipolazione e navigazione Conclusioni 128 La luce riflessa dagli oggetti
DettagliMachine Learning:Reti Neurali. Sommario
Machine Learning:Reti Neurali Sommario Apprendimento nel percettrone a sigmoide Reti feed-forward multistrato Apprendimento nel percettrone multistrato: back-propagation Conclusioni Apprendimento nel percettrone
DettagliCorso di Programmazione I dati nei linguaggi di programmazione Tipi Strutturati. Dati Strutturati. Variabili Strutturate. Dott.
Materiale didattico preparato dal dott. Stefano Ferilli Corso di Programmazione I dati nei linguaggi di programmazione Tipi Strutturati Dott. Pasquale Lops lops@di.uniba.it Corso di Programmazione - DIB
DettagliCriteri alternativi all Entropia
Sistemi Intelligenti 94 Criteri alternativi all Entropia Altri criteri suggeriti al posto dell Entropia: - Variance Impurity (per due classi) - (Weighted) Gini Impurity (generalizzazione di Variance Impurity
DettagliSmart Vision - Le tecnologie per l industria del futuro
Utilizzo delle VPU di ultima generazione per applicazioni Deep Learning nella Machine Vision Dott. Mattia Alberto Salomao, Applications Engineering Manager Visionlink Smart Vision - Le tecnologie per l
DettagliMetodi supervisionati di classificazione
Metodi supervisionati di classificazione Giorgio Valentini e-mail: valentini@dsi.unimi.it DSI - Dipartimento di Scienze dell'informazione Classificazione bio-molecolare di tessuti e geni Diagnosi a livello
DettagliElaborazione dei dati. pkt /9
Elaborazione dei dati pkt006-89-1.0 4/9 1 Argomenti 1. Analisi delle immagini multispettrali 2. Analisi dell istogramma e enfatizzazione del contrasto 3. Trasformata RGB-IHS 4. Filtraggio 5. Estrazione
DettagliIntelligenza Artificiale. Soft Computing: Reti Neurali Generalità
Intelligenza Artificiale Soft Computing: Reti Neurali Generalità Neurone Artificiale Costituito da due stadi in cascata: sommatore lineare (produce il cosiddetto net input) net = S j w j i j w j è il peso
DettagliIndice generale. Introduzione. Ringraziamenti dell autore...xxi. Capitolo 1 Dare ai computer la capacità di apprendere dai dati...
Premessa Introduzione...xiii...xv Struttura del libro...xvi Dotazione software necessaria...xvii A chi è rivolto questo libro...xviii Convenzioni...xviii Scarica i file degli esempi...xix L autore...xix
DettagliDECLINAZIONE COMPETENZE SCUOLA PRIMARIA: MATEMATICA CLASSI 1 a 2 a 3 a
DECLINAZIONE COMPETENZE SCUOLA PRIMARIA: MATEMATICA CLASSI 1 a 2 a 3 a COMPETENZE 1. Operare con i numeri nel calcolo scritto e mentale CONOSCENZE CONTENUTI A. I numeri da 0 a 20 B. I numeri da 20 a 100
DettagliObject Classification a Capodanno!
The Regressionists: Aldeghi Chiara 791835, Crippa Chiara 791876, Iacoban Iuliana Anastasia 790668 Abstract Vi siete mai chiesti quale sia l oggetto più fotografato e postato sui social? E se il periodo
DettagliIndice generale. Introduzione. Capitolo 1 Essere uno scienziato dei dati... 1
Introduzione...xi Argomenti trattati in questo libro... xi Dotazione software necessaria... xii A chi è rivolto questo libro... xii Convenzioni utilizzate... xiii Scarica i file degli esempi... xiii Capitolo
DettagliData mining: classificazione
DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group
DettagliEsercizio: apprendimento di congiunzioni di letterali
input: insieme di apprendimento istemi di Elaborazione dell Informazione 18 Esercizio: apprendimento di congiunzioni di letterali Algoritmo Find-S /* trova l ipotesi più specifica consistente con l insieme
DettagliRiconoscimento di cifre manoscritte tramite una rete neurale
Riconoscimento di cifre manoscritte tramite una rete neurale 3 luglio 2008 Argomenti discussi 1 Il problema 2 Il training set Codifica dei file 3 Soluzione implementata Soluzione ideale Soluzione implementata
DettagliELABORAZIONE DELLE IMMAGINI:
Università degli Studi di Catania Facoltà di Scienze Matematiche,Fisiche e Naturali Corso di Laurea in Informatica, Secondo Livello ELABORAZIONE DELLE IMMAGINI: EDGE DETECTION Corso di Analisi Numerica
DettagliPerformance di un approccio neurale al problema del caffè di FlairBit
Performance di un approccio neurale al problema del caffè di FlairBit Andrea Boero (andy.boero@gmail.com) Precondizioni Lo scopo del presente lavoro è quello di analizzare come variano le performance di
DettagliSummeR School-DATA Mining and Data Analysis with R
SummeR School-DATA Mining and Data Analysis with R PROPONENTE Prof.ssa Luisa Bernardinelli, Prof. Mario Grassi e Dott. Davide Gentilini OBIETTIVI FORMATIVI La gestione e l analisi dei dati rappresenta
DettagliQUANTIZZATORE VETTORIALE
QUANTIZZATORE VETTORIALE Introduzione Nel campo delle reti neurali, la scelta del numero di nodi nascosti da usare per un determinato compito non è sempre semplice. Per tale scelta potrebbe venirci in
DettagliTelerilevamento. Esercitazione 5. Classificazione non supervisionata. Apriamo l immagine multi spettrale relativa alla zona di Feltre che si trova in:
Telerilevamento Esercitazione 5 Classificazione non supervisionata Lo scopo di questa esercitazione è quella di effettuare una classificazione non supervisionata di un immagine SPOT5 acquisita sull area
DettagliSICAM Sistema Centrale di Automazione dei Servizi Metereologici
Sistema Centrale di Automazione dei Servizi Metereologici Il SIstema Centrale di Automazione dei servizi Meteorologici (SICAM) è un sistema informatico progettato e sviluppato da VITROCISET per la gestione
DettagliIL NUOVO MODELLO PER LA PREVISIONE POLLINICA. Stefano Marchesi Direzione Tecnica Centro Tematico Regionale Ambiente Salute
IL NUOVO MODELLO PER LA PREVISIONE POLLINICA Stefano Marchesi Direzione Tecnica Centro Tematico Regionale Ambiente Salute La presenza del polline in atmosfera concentrazione pollinica [numero di granuli/mc
DettagliReti neurali con weka Testi degli esercizi
Reti neurali con weka Testi degli esercizi Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN in weka Linee guida Scelta dell algoritmo di classificazione Classifiers/Functions/MultilyerPerceptron
DettagliCORSO TRASVERSALE. SummeR School-DATA MINING AND DATA ANALYSIS WITH R
CORSO TRASVERSALE SummeR School-DATA MINING AND DATA ANALYSIS WITH R PROPONENTE Prof.ssa Luisa Bernardinelli, Prof. Mario Grassi e Dott. Davide Gentilini OBIETTIVI FORMATIVI La gestione e l analisi dei
DettagliRUBRICHE DI VALUTAZIONE DELLA SCUOLA PRIMARIA. RUBRICA VALUTATIVA MATEMATICA Classi Prima, Seconda e Terza VOTO: 5 INSUFFICIENTE
COMPETENZE EUROPEE: Competenza matematica e competenza di base in scienze e tecnologia- Competenza digitale- Spirito di iniziativa ed imprenditorialità- Imparare ad Imparare NUMERI E CALCOLO RUBRICA VALUTATIVA
DettagliNaïve Bayesian Classification
Naïve Bayesian Classification Di Alessandro rezzani Sommario Naïve Bayesian Classification (o classificazione Bayesiana)... 1 L algoritmo... 2 Naive Bayes in R... 5 Esempio 1... 5 Esempio 2... 5 L algoritmo
DettagliMask R-CNN per la segmentazione di oggetti destinati alla vendita al dettaglio
POLITECNICO DI TORINO Corso di Laurea Magistrale in Ingegneria Matematica Tesi di Laurea Magistrale Mask R-CNN per la segmentazione di oggetti destinati alla vendita al dettaglio Relatore prof. Paolo Garza
DettagliModelli generativi per sequenze: Recurrent Temporal Restricted Boltzmann Machines
Modelli generativi per sequenze: Recurrent Temporal Restricted Boltzmann Machines Alberto Testolin Computational Cognitive Neuroscience Lab Dipartimento di Psicologia Generale Università degli studi di
DettagliL a S c u o l a C o p e r n i c u s
L a S c u o l a C o p e r n i c u s 2 0 1 8 I l T e l e r i l e v a m e n t o p e r l A g r i c o l t u r a 4. 0 Esempio pratico nell uso dei dati satellitari gratuiti Sentinel per l agricoltura con il
DettagliAlgoritmi di Machine Learning per problemi relativi a mercati finanziari
Scuola Politecnica e delle Scienze di Base Corso di Laurea in Ingegneria Informatica Elaborato finale in Intelligenza Artificiale Algoritmi di Machine Learning per problemi relativi a mercati finanziari
DettagliEsercitazione 1: Introduzione a MATLAB
Laboratorio di Immagini Esercitazione 1: Introduzione a MATLAB Mauro Zucchelli 09/03/2016 MATLAB Cos è MATLAB? MATLAB Cos è MATLAB? MATLAB non è un linguaggio di programmazione MATLAB Cos è MATLAB? MATLAB
DettagliProgettazione curricolo verticale
Progettazione curricolo verticale percorso formativo per Unità di Apprendimento (UDA) Dipartimento di Informatica Progettazione curricolo verticale di Scienze e tecnologie applicate percorso formativo
DettagliKernel Methods. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Kernel Methods Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 14/05/2018 Kernel Methods Definizione di Kernel Costruzione di Kernel Support Vector Machines Problema primale e duale
DettagliRelatore Ch.mo prof. A. Pescapè Correlatori Ch.mo dott. M. Brescia Ing. G. Aceto. Candidata Luna Di Colandrea N40/132. Anno Accademico 2012/2013
Facoltà di Ingegneria Corso di Studi in Ingegneria delle Telecomunicazioni Relatore Ch.mo prof. A. Pescapè Correlatori Ch.mo dott. M. Brescia Ing. G. Aceto Candidata Luna Di Colandrea N0/2 Anno Accademico
DettagliGeo-scienze e Rischi Naturali
Università degli studi della Basilicata Geo-scienze e Rischi Naturali Potenza, 4 5 Marzo 2009 Pericolosità spaziale di frana e reti neurali artificiali: alcuni casi di studio. Stefania Pascale e Francesco
DettagliFlickr image classification
Flickr image classification Relazione progetto Social Media Management Università degli studi di Catania Dipartimento di Matematica e Informatica CANCEMI DAMIANO - W82000075 1 Introduzione Questo progetto
DettagliReti Neurali (Parte I)
Reti Neurali (Parte I) Corso di AA, anno 2018/19, Padova Fabio Aiolli 07 Novembre 2018 Fabio Aiolli Reti Neurali (Parte I) 07 Novembre 2018 1 / 16 Reti Neurali Artificiali: Generalità Due motivazioni diverse
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Teoria e applicazioni industriali Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliMATEMATICA SCUOLA PRIMARIA CLASSE 4ª. - Leggere e scrivere i numeri naturali entro le migliaia usando materiale strutturato.
MATEMATICA SCUOLA PRIMARIA CLASSE 4ª NUMERI INDICATORI DISCIPLINARI TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE L alunno sviluppa un atteggiamento positivo rispetto alla matematica, anche grazie a molte
DettagliIntegrazione tra simulazione numerica e dati reali in procedure automatiche di collaudo
Integrazione tra simulazione numerica e dati reali in procedure automatiche di collaudo Multisim Connectivity Toolkit Studente: Moreno Favaro mtr:545282 Relatore: Ch.mo prof. A. Sona Università degli studi
DettagliQuesta sezione descrive come creare oggetti geometrici solidi tridimensionali e come gestirli in PicturesToExe.
2019/10/17 16:15 1/12 Questa sezione descrive come creare oggetti geometrici solidi tridimensionali e come gestirli in PicturesToExe. Cornici Una cornice è un oggetto (normalmente) trasparente al quale
DettagliIn memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie.
In memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie. Università di Pisa Corso di laurea in Ingegneria Aerospaziale TESI DI LAUREA SPECIALISTICA Sviluppo ed ottimizzazione delle
DettagliAlessandra Raffaetà. La rappresentazione vettoriale
Lezione 0 S.I.T. PER LA VALUTAZIONE E GESTIONE DEL TERRITORIO Corso di Laurea Magistrale in Scienze Ambientali Alessandra Raffaetà Dipartimento di Informatica Università Ca Foscari Venezia La rappresentazione
DettagliClassificazione introduzione
- Classificazione introduzione Vittorio Maniezzo Università di Bologna 1 Ringraziamenti Questi lucidi derivano anche da adattamenti personali di materiale prodotto (fornitomi o reso scaricabile) da: A.
DettagliRegressione Lineare e Regressione Logistica
Regressione Lineare e Regressione Logistica Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com 1 Introduzione
DettagliReti Neurali. Veronica Piccialli. Corso di MOBD - Roma 12 Novembre Università degli Studi di Roma Tor Vergata 1 / 77
Reti Neurali Veronica Piccialli Corso di MOBD - Roma 12 Novembre 2015 Università degli Studi di Roma Tor Vergata 1 / 77 Contesto Contesto Idea Il neurone Rete neurale da un punto di vista fisico A cosa
DettagliSummeR School-DATA MINING AND DATA ANALYSIS WITH R
SummeR School-DATA MINING AND DATA ANALYSIS WITH R PROPONENTE Dott. Davide Gentilini Prof.ssa Luisa Bernardinelli OBIETTIVI FORMATIVI La gestione e l analisi dei dati rappresenta uno dei fattori più importanti
DettagliMATRICE TUNING competenze versus unità didattiche, Corso di Laurea in Informatica (classe L-31), Università degli Studi di Cagliari
A: CONOSCENZA E CAPACITA DI COMPRENSIONE Conoscere e saper comprendere i fondamenti della matematica discreta (insiemi, interi, relazioni e funzioni, calcolo combinatorio) Conoscere e saper comprendere
DettagliIndicizzazione di feature locali. Annalisa Franco
1 Indicizzazione di feature locali Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Introduzione I descrittori locali sono vettori di uno spazio N- dimensionale (alta dimensionalità)
DettagliMATEMATICA - Curricolo verticale scuola primaria - Istituto comprensivo statale di Mestrino
MATEMATICA - Curricolo verticale scuola primaria - Istituto comprensivo statale di Mestrino TRAGUARDI per lo sviluppo delle COMPETENZE Al termine della classe PRIMA l alunno L alunno si muove nel calcolo
DettagliDISPLAY A LED 1) TECNOLOGIA LED
DISPLAY A LED 1) TECNOLOGIA LED I display a led sono prodotti professionali che coprono la fascia alta dei monitor ( compreso i prodotti LCD). I display a led nascono principalmente per applicazioni esterne
DettagliProblem solving elementare su dati scalari
Problem solving elementare su dati scalari Problemi numerici Problemi di codifica/decodifica Problemi testuali Problemi di verifica e filtro di dati Problemi di ordinamento Sommario 2 2006 Politecnico
DettagliLe macchine calcolatrici possono pensare? Laboratorio
Pattern Recognition and Applications Lab Le macchine calcolatrici possono pensare? Laboratorio Ambra Demontis, Battista Biggio, Fabio Roli {ambra.demontis, battista.biggio, roli}@diee.unica.it Dept. Ingegneria
DettagliIntroduzione. Reti neurali. Una rete di percettroni
Introduzione Con questa guida il mio obiettivo è quello di presentare il tema delle reti neurali in modo semplice per coloro che hanno almeno delle basi universitarie dei concetti di Analisi 1 e 2 per
DettagliIntroduzione alle Reti Neurali Artificiali
alle Reti Neurali Artificiali Corso di MOBD Roma 23 Ottobre 2017 Grippo, L., and M. Sciandrone. Metodi di ottimizzazione per le reti neurali. Rapporto Tecnico (2003): 09-03. 1 / 34 Contesto Contesto Definizione
DettagliIntroduzione al data mining. Sistemi di elaborazione delle informazioni 2 Anno Accademico Prof. Mauro Giacomini
Introduzione al data mining Sistemi di elaborazione delle informazioni 2 Anno Accademico 2007-2008 Prof. Mauro Giacomini Definizione Processo che impiega una o più tecniche di apprendimento computerizzate
DettagliAnalisi Numerica. Debora Botturi ALTAIR. Debora Botturi. Laboratorio di Sistemi e Segnali
Analisi Numerica ALTAIR http://metropolis.sci.univr.it Argomenti Argomenti Argomenti Rappresentazione di sistemi con variabili di stato; Tecniche di integrazione numerica Obiettivo: risolvere sistemi di
DettagliSCUOLA PRIMARIA MATEMATICA (Classe 1ª)
SCUOLA PRIMARIA MATEMATICA (Classe 1ª) Operare con i numeri nel calcolo scritto e mentale Leggere e scrivere numeri naturali in cifre e lettere. Contare in senso progressivo e regressivo. Raggruppare,
DettagliDeep Learning. Introduzione Perché deep? Livelli e complessità Tipologie di DNN Ingredienti necessari Da MLP a CNN
Introduzione Perché deep? Livelli e complessità Tipologie di DNN Ingredienti necessari Da P a CNN Convolutional Neural Networks (CNN) Architettura Volumi e Convoluzione 3D Relu, Pooling Esempi di reti
DettagliPROGETTAZIONE DIDATTICA
Istituto di Istruzione Superiore Di Vittorio - Lattanzio a.s. 2018 / 2019 PROGETTAZIONE DIDATTICA MATERIA / DISCIPLINA CLASSE DOCENTI INFORMATICA 3 Bt LATTANZIO Insegnante teorico: Prof. Tullio Testa Insegnante
DettagliSistemi di Elaborazione delle Informazioni
Università degli Studi di Messina Policlinico G. Martino - Sistemi di Elaborazione delle Informazioni A.A. 26/27 Università degli Studi di Messina Policlinico G. Martino - Sistemi di Elaborazione delle
DettagliSubsection 1. MapReduce
MapReduce Subsection 1 MapReduce MapReduce La programmazione distribuita è molto pesante Soluzione: MapReduce MapReduce viene incontro alle sfide della programmazione distribuita. Le 3 regole Archivia
DettagliTraining Set Test Set Find-S Dati Training Set Def: Errore Ideale Training Set Validation Set Test Set Dati
" #!! Suddivisione tipica ( 3 5 6 & ' ( ) * 3 5 6 = > ; < @ D Sistemi di Elaborazione dell Informazione Sistemi di Elaborazione dell Informazione Principali Paradigmi di Apprendimento Richiamo Consideriamo
DettagliComputazione per l interazione naturale: macchine che apprendono
Computazione per l interazione naturale: macchine che apprendono Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliApplicazioni e limiti della classificazione di immagini con reti neurali convoluzionali in dispositivi mobili
Applicazioni e limiti della classificazione di immagini con reti neurali convoluzionali in dispositivi mobili Laureando Fabio Maiani Relatore Carlo Fantozzi Corso di Laurea Magistrale in Ingegneria Informatica
DettagliTecniche avanzate per la progettazione e la gestione dei sistemi produttivi
Tecniche avanzate per la progettazione e la gestione dei sistemi produttivi 1 Panoramica generale Dalle Scienze naturali Dalla matematica Knowledge Based systems Artificial Neural Networks Simulation Chaos
DettagliReti neurali con weka Soluzioni degli esercizi
Reti neurali con weka Soluzioni degli esercizi Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN in weka Linee guida Scelta dell algoritmo di classificazione Classifiers/Functions/MultilyerPerceptron
DettagliIl software consente di costruire tabelle e grafici e di esportare il proprio lavoro in formato pdf o excel.
Guida all uso Premessa... 1 1. Home page... 1 2. Accesso al software e alla base dati da consultare... 2 3. Costruzione di una tabella personalizzata... 3 4. Impostazione dei filtri... 5 5. Impostazione
DettagliUn estensione del concetto di landmark
Un estensione del concetto di landmark Finora, abbiamo considerato landmark che usano particolari tipi di energia (lampade, laser, radio, ecc.) Finora, abbiamo considerato i landmark come se fossero puntiformi,
Dettaglielaborazione di base
Pre-elaborazione elaborazione di base Corso di Laurea Magistrale in SIT&TLR a.a. 2009/10 Ing. Claudio La Mantia pkt006-179-3.0 3/5 info@planetek.it INDICE Generalità Correzioni radiometriche Correzioni
Dettagli