Dott. FEDERICO CAUSA 1. TEMATICHE DI RICERCA
|
|
- Gianleone Di Lorenzo
- 5 anni fa
- Visualizzazioni
Transcript
1 Dott. FEDERICO CAUSA RELAZIONE SULL'ATTIVITA' E LE RICERCHE SVOLTE ALLA CONCLUSIONE DEL SECONDO ANNO DEL XVIII CICLO DEL CORSO DI DOTTORATO DI RICERCA IN SCIENZE E INGEGNERIA DELLO SPAZIO 1. TEMATICHE DI RICERCA La principale tematica di ricerca condotta, durante il secondo anno di dottorato, ha riguardato l analisi di dati telerilevati mediante tecniche non-parametriche. In particolare, il primo obiettivo ha riguardato l implementazione di un algoritmo di classificazione ottimizzato, dal punto di vista computazionale, basato sulla regola di decisione dei K-Nearest Neighbors (K-NN). Il K-NN rappresenta una tecnica frequentemente adottata in letteratura quale strumento di paragone nell ambito delle tecniche non parametriche, tuttavia il suo principale svantaggio è rappresentato dall eccessivo onere computazionale. La tecnica implementata consente una notevole riduzione dei tempi di calcolo mediante opportuna strutturazione ad albero, basata su Kd-Tree, dei dati da classificare. La struttura ad albero Kd-Tree fornisce un efficace strumento per esaminare solo i campioni più vicini al campione da classificare, risparmiando così sul tempo relativo al calcolo delle distanze. Il secondo argomento di ricerca ha invece interessato lo sviluppo e l implementazione di una tecnica di feature reduction di tipo non-parametrico ottenuta dall estensione del metodo Nonparametric Discriminant Analysis (NDA) proposto da Fukunaga. Il metodo NDA, basato sul calcolo delle matrici di scatter inter ed intra classe, svolge tuttavia l analisi dei dati in un contesto parzialmente non parametrico. A differenza dell NDA, la tecnica sviluppata calcola entrambe le matrici di scatter mediante un approccio totalmente non parametrico basato sulla tecnica K-NN. Sempre nel contesto della tematica di feature reduction è stato implementato un ulteriore algoritmo non parametrico di stima delle densità di probabilità (ddp) basato sul metodo Reduced Parzen Estimation (RPE). Tale metodo, basato sul calcolo delle stime delle ddp mediante il metodo delle finestre di Parzen, è mirato alla selezione del sottoinsieme ottimale dei dati di training in corrispondenza del quale la relativa stima delle ddp approssima al meglio quella ottenuta usando l intero insieme di training. Inoltre, nel corso del secondo anno, ho contribuito alle attività del progetto applicativo Survey and Evaluation on Ecological Environment in Select Areas of Central China. In tale contesto, sono attivamente coinvolto nell analisi (interpretazione ed elaborazione) dei dati telerilevati per la produzione delle mappe tematiche di copertura del suolo e di rivelazione dei cambiamenti. Attualmente, l attività di classificazione delle coperture del suolo nelle regioni considerate è terminata, mentre è in fase di conclusione l attività per la generazione di mappe di cambiamenti.
2 1.1. Algoritmo di classificazione K-NN ottimizzato mediante adozione di struttura Kd-Tree dei dati Il metodo K-Nearest Neighbors (K-NN) rappresenta una tra le più intituitive regole di classificazione non-parametriche, tuttavia fu dimostrato in [1] che questa semplice tecnica offre una probabilità di errore asintotica (al crescere del numero dei campioni di training) pari, al massimo, al doppio della probabilità di errore associata alla regola di Bayes. Il K-NN costituisce un classificatore di riferimento nell ambito delle tecniche non parametriche, spesso richiamato in letteratura quale strumento per il confronto dei risultati al fine di validare le prestazioni di nuove tecniche di classificazione. Tuttavia il suo principale svantaggio è rappresentato dall eccessivo onere computazionale, dovuto al calcolo di una grande mole di distanze, nello spazio delle feature, per la ricerca dei K campioni più vicini. La tecnica implementata, derivante dallo studio presente in [2], consente una notevole riduzione dei tempi di calcolo mediante opportuna strutturazione ad albero (Kd-Tree) dei dati di training. Successivamente, la classificazione di un generico campione (la cui classe non è nota) viene svolta analizzando l albero, al fine di individuare i K campioni più vicini al campione in esame. La struttura dati KdTree fornisce un efficace strumento per esaminare solo i campioni di training più vicini al campione da classificare, risparmiando così sul tempo relativo al calcolo delle distanze. Un Kd-Tree è sostanzialmente un albero binario bilanciato, dove ad ogni nodo è associato un insieme di campioni. La costruzione dell albero avviene mediante l adozione di una procedura ricorsiva. L intero insieme di dati è associato al nodo radice. Ciascuno dei due nodi figli contiene un sottoinsieme degli elementi associati al nodo genitore. La terminazione dell albero nei nodi foglia avviene fissando a priori la cardinalità di tali nodi terminali. I nodi non terminali sono suddivisi ricorsivamente in due nodi figli. L operazione di splitting di un nodo avviene sulla base della feature a massima dispersione f* individuata dai campioni di quel nodo, la separazione nei due nodi figli avviene considerando il valore mediano di tale feature: il nodo figlio sinistro contiene tutti gli elementi che hanno un valore della feature f* minore del suo valore mediano, mentre il figlio destro contiene gli elementi con valore maggiore (ciascun nodo figlio contiene un sottoinsieme con cardinalità pari circa alla metà di quella dell insieme del nodo genitore). Analogamente all algoritmo per la costruzione dell albero, anche la ricerca dei K campioni di training più vicini al campione incognito è realizzabile con una procedura ricorsiva. Tale compito viene svolto applicando specifici test di verifica, mediante l uso di operatori di intersezione ed unione, ai nodi dell albero. I test coinvolgono sia i limiti geometrici dei sottoinsiemi di campioni associati ad ogni nodo (iper-rettangoli nello spazio delle feature), sia la distanza tra il campione incognito e il K-esimo campione più vicino finora trovato (ipersfera centrata nel campione incognito). In particolare, la verifica sui nodi non terminali consente di escludere a priori tutti i suoi nodi successori, risparmiando così rilevanti tempi di calcolo. L algoritmo è stato testato su un insieme di dati reali telerilevati. I dati sono costituiti da 20 features, campioni di training (usati per la generazione del Kd-Tree) e di test (usati per il calcolo dei tempi di computazione e dell accuratezza di classificazione). I risultati, in termini di tempo di calcolo, sono stati confrontati con quelli relativi all implementazione classica del K-NN il cui algoritmo era già disponibile (vedi Fig.1 e 2).
3 log(tempo [s]) Kd-Tree K-NN 1000 log(tempo [s]) Kd-Tree K-NN #features K Fig.1: Confronto, in termini di tempo di computazione, tra Kd- Tree e K-NN fissando K=7 e variando il numero di feature da 1 a 20; i risultati, rappresentati su scala logaritmica, sono relativi al tempo [secondi] necessario alla classificazione dell intero test set Fig.2: Confronto, in termini di tempo di computazione, tra Kd- Tree e K-NN fissando il numero di feature a 8 e variando K; i risultati, rappresentati su scala logaritmica, sono relativi al tempo [secondi] necessario alla classificazione dell intero test set 1.2. Algoritmo di feature reduction basato su approccio non parametrico La feature reduction (mediante trasformazione o selezione) costituisce una tematica di grande interesse nell ambito dell analisi sia di dati multispettrali integrati con altre tipologie di informazione (omogenee e non), sia di dati iperspettrali. In generale, e con maggior enfasi sulla seconda tipologia di dati, la presenza della problematica nota come maledizione della dimensionalità necessita l adozione di tecniche che riducano la dimensione dello spazio dei parametri e, nel contempo, siano in grado di estrarre l informazione discriminante contenuta nei dati di partenza. In particolare, la feature reduction non parametrica si presta ad essere applicata a dati multisorgente, dove oltre al problema sopra citato riguardante l elevata dimensionalità, consente di trattare, in modo più appropriato, il problema dell eterogeneità dell informazione rispetto alle tecniche di riduzione di tipo parametrico. L algoritmo sviluppato di feature reduction di tipo non parametrico, rappresenta una estensione del metodo Nonparametric Discriminant Analysis (NDA) [3, 4]. L NDA estrae l informazione di scatter, ottenuta calcolando la matrice inter-classe in modo non parametrico, mentre quella intra-classe in modo parametrico come matrice di covarianza adottata da un classificatore LD. Il metodo sviluppato differisce dall NDA nella definizione della matrice di scatter intra-classe, calcolata ora in completa analogia a quella inter-classe mediante un approccio non parametrico basato su K-NN. In particolare, il metodo proposto opera la riduzione delle feature mediante una opportuna trasformazione lineare ottenuta a partire dalle matrici di scatter, tuttavia, definendo un opportuno funzionale dipendente dall informmazione di scatter, è possibile svolgere anche la selezione di feature. Il metodo è stato testato su un data set multisorgente costituito da sei bande ottiche e nove SAR (Synthetic Aperture Radar). I risultati sperimentali ottenuti sono stati comparati con quelli relativi al metodo originario e al metodo Nonparametric Weighted Feature Extraction (NWFE) [5], proposto di recente in letteratura. La Fig. 3 mostra i risultati, in termini di accuratezza totale di classificazione (OA), ottenuti dalla semplice trasformazione di feature (cioè, senza
4 riduzione della dimensionalità) dei tre metodi, comparandoli inoltre con quelli forniti dal classificatore K-NN. La Fig. 4 mostra i risultati di OA, fissando K=37, al variare della dimensione (numero di feature trasformate) dello spazio delle feature trasformate. OA 92% 91% NDA-n NWFE NDA K-NN OA NDA-n NDA NWFE K-NN 95% 90% 90% 85% 89% 80% 88% 75% 87% 70% 86% 65% 85% 60% 84% 83% 55% m % Fig. 3: Confronto, in termini di OA, tra NDA-N (metodo proposto), NDA e NWFE, usando un classificatore K-NN; gli andamenti dell accuratezza sono espressi in funzione del valore K Fig. 4: Confronto, in termini di OA, tra NDA-N (metodo proposto), NDA e NWFE, usando un classificatore 37-NN; gli andamenti dell accuratezza sono espressi in funzione del numero di feature trasformate [1]. T. Cover, P. Hart, Nearest neighbor pattern classification, IEEE Trans. On Information Theory, IT-13, 1997, pp [2]. J. H. Friedman, J. L. Bentley, An algorithm for finding best matches in logarithmic expected time, ACM Trans. On Mathematical Software, vol. 3, n. 3, 1977, pp [3]. K. Fukunaga, Introduction to Statistical Pattern Recognition, San Diego, CA: Academic, [4]. K. Fukunaga, M. Mantock, Nonparametric discriminant analysis, PAMI, vol.5, 1983, pp [5]. B. Kuo, D. A. Landgrebe, Nonparametric Weighted Feature Extraction for Classification, IEEE Trans. On Geoscience and Remote Sensing, vol. 42, no. 5, 2004, pp Classificazione e rivelazione dei cambiamenti di immagini multispettrali relative ad aree della Cina Nell ambito della cooperazione internazionale sulla protezione ambientale tra il Ministero italiano dell Ambiente e della Tutela del Territorio e l Agenzia per la protezione ambientale cinese, sono attivamente coinvolto nel progetto Survey and Evaluation on Ecological Environment in Select Areas of Central China, il cui obiettivo principale è l aggiornamento di un sistema informativo territoriale orientato al controllo e alla gestione del territorio. Nello specifico del progetto, sono coinvolto nell analisi (interpretazione ed elaborazione) dei dati telerilevati per la produzione delle mappe tematiche di copertura del suolo e di rivelazione dei cambiamenti.
5 Attualmente, è stata portata a termine l attività di classificazione delle aree d indagine mentre è in fase di conclusione l attività per la generazione delle mappe di cambiamenti. 2. ELENCO DELLE PUBBLICAZIONI F. Causa, M. De Martino, S.B. Serpico, Classification of Optical High Spatial Resolution Images in Urban Environment Using Spectral and Textural Information, Proceedings of IGARSS-2003 Conference - Special Session on Optical Very High Resolution Image Processing. 3. PIANO DI STUDI (SECONDO ANNO) 3.1. Corsi di: Analisi di Fourier Prof. F. De Mari, Comunicazioni Ottiche 1 Prof. A. Trucco, Distribuited Detection and Data Fusion" Prof. P.K. Varshney Corsi di: Machine Learning Prof. M. Muselli, Trattamento dei Segnali Multimediali Prof. S. Dellepiane.
1.1. Analisi di tessitura di dati telerilevati ad alta risoluzione spaziale
Dott. FEDERIO US RELZIONE SULL'TTIVIT' E LE RIERHE SVOLTE LL ONLUSIONE DEL PRIMO NNO DEL XVIII ILO DEL ORSO DI DOTTORTO DI RIER IN SIENZE E INGEGNERI DELLO SPZIO 1. TEMTIHE DI RIER La principale tematica
DettagliAlgoritmi di classificazione supervisionati
Corso di Bioinformatica Algoritmi di classificazione supervisionati Giorgio Valentini DI Università degli Studi di Milano 1 Metodi di apprendimento supervisionato per problemi di biologia computazionale
DettagliTeoria e Tecniche del Riconoscimento
Facoltà di Scienze MM. FF. NN. Università di Verona A.A. 2010-11 Teoria e Tecniche del Riconoscimento Notizie preliminari Introduzione Marco Cristani Teoria e Tecniche del Riconoscimento 1 Il docente Prof.
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 9 Alberi di decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliClassificatori K-NN. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna
Classificatori K-NN Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Classificatori Instance-Based Non costruiscono modelli ma classificano i nuovi record sulla base della loro somiglianza
DettagliIndice della presentazione
Indice della presentazione Introduzione; Risposta spettrale della vegetazione e riconoscimento incendi; Tecniche di classificazione automatica e mappe del combustibile; Stima di parametri biochimici e
DettagliMetodi di classificazione
I metodi di classificazione sono metodi utilizzati per trovare modelli statistici capaci di assegnare ciascun oggetto di provenienza incognita ad una delle classi esistenti. L applicazione di questi metodi
DettagliApprendimento Automatico (Feature Selection e Kernel Learning)
Apprendimento Automatico (Feature Selection e Kernel Learning) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Servono tutti gli attributi? Gli
DettagliClassificazione Object-Oriented
Classificazione Object-Oriented Cos è una classificazione? La classificazione è un operazione con cui a partire da dati telerilevati vengono prodotte delle mappe tematiche dove ogni pixel viene assegnato
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: introduzione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Una definizione
DettagliApproccio statistico alla classificazione
Approccio statistico alla classificazione Approccio parametrico e non parametrico Finestra di Parzen Classificatori K-NN 1-NN Limitazioni dell approccio bayesiano Con l approccio bayesiano, sarebbe possibile
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Teoria della decisione di Bayes Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario
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
DettagliClassificazione Mario Guarracino Data Mining a.a. 2010/2011
Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Introduzione I modelli di classificazione si collocano tra i metodi di apprendimento supervisionato e si rivolgono alla predizione di un attributo
DettagliConfronto tra due algoritmi di machine learning, Random Forest e Support Vector Machine, applicati al telerilevamento da drone
Confronto tra due algoritmi di machine learning, Random Forest e Support Vector Machine, applicati al telerilevamento da drone AIT - ENEA 11 WORKSHOP TEMATICO Osservazione della Terra: Georisorse, Risorse
Dettagli3.4 Metodo di Branch and Bound
3.4 Metodo di Branch and Bound Consideriamo un generico problema di Ottimizzazione Discreta dove X è la regione ammissibile. (P ) z = max{c(x) : x X} Metodologia generale di enumerazione implicita (Land
DettagliAnalisi Discriminante Strumenti quantitativi per la gestione
Analisi Discriminante Strumenti quantitativi per la gestione Emanuele Taufer Un esempio introduttivo Approccio con Bayes Perchè un altro metodo di classificazione? Classificazione con Bayes Analisi discriminante
DettagliDati e Algoritmi 1: A. Pietracaprina. Alberi Binari
Dati e Algoritmi 1: A. Pietracaprina Alberi Binari 1 Definizione Un alberto binario T è un albero ordinato in cui Nota ogni nodo interno ha 2 figli ogni nodo non radice è etichettato come figlio sinistro
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
DettagliComputazione per l interazione naturale: classificazione probabilistica
Computazione per l interazione naturale: classificazione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
Dettagli1 PROCESSI STOCASTICI... 11
1 PROCESSI STOCASTICI... 11 Introduzione... 11 Rappresentazione dei dati biomedici... 11 Aleatorietà delle misure temporali... 14 Medie definite sul processo aleatorio... 16 Valore atteso... 16 Esercitazione
Dettaglid. Cancellazione del valore 5 e. Inserimento del valore 1
Esercizio1 Si consideri un albero binario non vuoto in cui a ciascun nodo v è associato un numero reale v.val. Scrivere un algoritmo che, dato in input l'albero T e un numero reale x, restituisce true
DettagliCalcolo della Concentrazione Rappresentativa della Sorgente (CRS)
Calcolo della Concentrazione Rappresentativa della Sorgente (CRS) Prof. Renato Baciocchi, Università di Roma Tor Vergata Emiliano Scozza Università di Roma Tor Vergata 1 Valutazione dei Dati Data Set di
DettagliData Science e Tecnologie per le Basi di Dati
Data Science e Tecnologie per le Basi di Dati Esercitazione #3 Data mining BOZZA DI SOLUZIONE Domanda 1 (a) Come mostrato in Figura 1, l attributo più selettivo risulta essere Capital Gain, perché rappresenta
DettagliComputazione per l interazione naturale: classificazione probabilistica
Computazione per l interazione naturale: classificazione probabilistica Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
DettagliAlberi binari. Alberi Albero binario Heap tree
Alberi binari Alberi Albero binario eap tree Albero Ogni nodo può avere un numero arbitrario di figli Un nodo senza figli viene detto foglia siste un nodo particolare chiamato radice, tutti gli altri hanno
DettagliAlberi di Decisione (2)
Alberi di Decisione (2) Corso di AA, anno 2018/19, Padova Fabio Aiolli 05 Novembre 2018 Fabio Aiolli Alberi di Decisione (2) 05 Novembre 2018 1 / 19 Apprendimento di alberi di decisione: Bias induttivo
DettagliDefinizione automatica della scala spaziale per la segmentazione di immagini SAR in ambiente urbano
Definizione automatica della scala spaziale per la segmentazione di immagini SAR in ambiente urbano I. INTRODUZIONE Giovanna Trianni, Università di Pavia Il mio lavoro di ricerca si colloca nell ambito
DettagliAlberi di ricerca. Dizionari. Definizione. Alberi binari di ricerca (BST = binary search tree) Algoritmi e Strutture Dati
Algoritmi e Strutture Dati Dizionari Gli alberi di ricerca sono usati per realizzare in modo efficiente il tipo di dato dizionario Alberi di ricerca Basato su materiale di C. Demetrescu, I. Finocchi, G.F.
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2018.html
DettagliAlberi Decisionali Per l analisi del mancato rinnovo all abbonamento di una rivista
Alberi Decisionali Per l analisi del mancato rinnovo all abbonamento di una rivista Il problema L anticipazione del fenomeno degli abbandoni da parte dei propri clienti, rappresenta un elemento fondamentale
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Classificazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sistema di classificazione
DettagliAlberi di Decisione (2)
Alberi di Decisione (2) Corso di AA, anno 2017/18, Padova Fabio Aiolli 25 Ottobre 2017 Fabio Aiolli Alberi di Decisione (2) 25 Ottobre 2017 1 / 18 Apprendimento di alberi di decisione: Bias induttivo Come
DettagliStima di Posizione e Orientamento Mediante Elaborazione di Immagini con il Filtro di Kalman
Incontro CIRA 21 Lecce, 12 14 Settembre 21 Stima di Posizione e Orientamento Mediante Elaborazione di Immagini con il Filtro di Kalman Fabrizio CACCAVALE Vincenzo LIPPIELLO Bruno SICILIANO Luigi VILLANI
DettagliSegmentazione mediante ricerca di forme. Paola Campadelli
Segmentazione mediante ricerca di forme Paola Campadelli Segmentazione mediante ricerca di forme Template deformabili (Yuille et al. 92) Contorni deformabili (Kaas et al. 87) GVF Snakes (Xu et al. 98)
DettagliUn processo a supporto della classificazione di pagine client Anno Accademico 2006/2007
tesi di laurea Un processo a supporto della classificazione di pagine client Anno Accademico 2006/2007 relatore Ch.mo prof. Porfirio Tramontana candidato Marco Calandro Matr. 885/73 Introduzione Il passaggio
DettagliSistemi di Elaborazione dell Informazione 170. Caso Non Separabile
Sistemi di Elaborazione dell Informazione 170 Caso Non Separabile La soluzione vista in precedenza per esempi non-linearmente separabili non garantisce usualmente buone prestazioni perchè un iperpiano
DettagliData Science A.A. 2018/2019
Corso di Laurea Magistrale in Economia Data Science A.A. 2018/2019 Lez. 6 Modelli di Classificazione Data Science 2018/2019 1 Definizione Si collocano tra i metodi di apprendimento supervisionato e mirano
DettagliDizionari Liste invertite e Trie
Dizionari Liste invertite e Trie Lucidi tratti da Crescenzi Gambosi Grossi, Strutture di dati e algoritmi Progettazione, analisi e visualizzazione Addison-Wesley, 2006 Dizionari Universo U delle chiavi
DettagliParte 3, 1. Stabilità. Prof. Thomas Parisini. Fondamenti di Automatica
Parte 3, 1 Stabilità Parte 3, 2 Stabilità: - del movimento (vedere libro ma non compreso nel programma) - dell equilibrio - del sistema (solo sistemi lineari) Analizzeremo separatamente sistemi a tempo
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Classificazione: validazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Introduzione
DettagliComputazione per l interazione naturale: Modelli dinamici
Computazione per l interazione naturale: Modelli dinamici Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Teoria e applicazioni industriali Parte 3 Costruzione di un classificatore Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliCLASSIFICAZIONE DI IMMAGINI MULTISPETTRALI IKONOS: METODOLOGIE A CONFRONTO
CLASSIFICAZIONE DI IMMAGINI MULTISPETTRALI IKONOS: METODOLOGIE A CONFRONTO Biagio POCCIA (*), Claudio PARENTE (*) (*) Dipartimento di Scienze Applicate, Università degli Studi di Napoli Parthenope, Centro
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
DettagliCLASSIFICAZIONE DI IMMAGINI TM: UN CONFRONTO TRA METODI TRADIZIONALI E FUZZY 1
CLASSIFICAZIONE DI IMMAGINI TM: UN CONFRONTO TRA METODI TRADIZIONALI E FUZZY 1 Elena Console, Rosanna Verde (*) (*) Dipartimento di Matematica e Statistica, Via Cinthia, Monte S.Angelo, 80126 Napoli RIASSUNTO
DettagliComputazione per l interazione naturale: processi gaussiani
Computazione per l interazione naturale: processi gaussiani Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
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
DettagliLaboratorio di Apprendimento Automatico. Fabio Aiolli Università di Padova
Laboratorio di Apprendimento Automatico Fabio Aiolli Università di Padova Underfitting e Overfitting Complessità spazio ipotesi SVM: aumenta con kernel non lineari, RBF con maggiore pendenza, aumenta con
DettagliClassificazione. Classificatore di Bayes Approccio parametrico (distribuzione Multinormale) Approccio non parametrico (Parzen Window)
Classificatore di Bayes Approccio parametrico (distribuzione Multinormale) Approccio non parametrico (Parzen Window) Nearest Neighbor k-nn Metriche SVM Lineari: pattern linearmente separabili e non Non
DettagliClassificazioni di immagini satellitari per la valutazione della dispersione insediativa
Classificazioni di immagini satellitari per la valutazione della dispersione insediativa Introduzione La dispersione insediativa: Nel corso degli ultimi decenni il confine della città è sempre meno netto
DettagliK-d-tree A L B E R T O B E L U S S I A N N O A C C A D E M I C O
K-d-tree A L B E R T O B E L U S S I A N N O A C C A D E M I C O 2 0 1 2-2 0 1 3 Caratteristiche di base Il k-d-tree (K-dimensional tree) è un albero binario di ricerca multi-dimensionale in cui ogni nodo
DettagliUniversità degli Studi di L Aquila Facoltà di Scienze M.F.N. Corso di Laurea in Informatica. Modulo di Laboratorio di Algoritmi e Strutture Dati
Università degli Studi di L Aquila Facoltà di Scienze M.F.N. Corso di Laurea in Informatica Modulo di Laboratorio di Algoritmi e Strutture Dati Alberi binari Giovanna Melideo melideo@di.univaq.it 1 Alberi
DettagliRiconoscimento automatico di oggetti (Pattern Recognition)
Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 2 Teoria della decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
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
DettagliAlberi binari di ricerca
Alberi binari di ricerca Ilaria Castelli castelli@dii.unisi.it Università degli Studi di Siena Dipartimento di Ingegneria dell Informazione A.A. 2009/20010 I. Castelli Alberi binari di ricerca, A.A. 2009/20010
DettagliUso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello
Tesina di Intelligenza Artificiale Uso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello Roberto Fortino S228682
DettagliHeap e code di priorità
Heap e code di priorità Violetta Lonati Università degli studi di Milano Dipartimento di Scienze dell Informazione Laboratorio di algoritmi e strutture dati Corso di laurea in Informatica AA 2009/2010
DettagliInformatica 3. Informatica 3. LEZIONE 23: Indicizzazione. Lezione 23 - Modulo 1. Indicizzazione. Introduzione. Indicizzazione:
Informatica 3 Informatica 3 LEZIONE 23: Indicizzazione Lezione 23 - Modulo 1 Modulo 1: Indicizzazione lineare, ISAM e ad albero Modulo 2: 2-3 trees, B-trees e B + -trees Indicizzazione lineare, ISAM e
DettagliLETTI PER VOI: Figura 1: la struttura ad albero
LETTI PER VOI: " Classification And Regression Trees " a cura di Cinzia Di Novi Università del Piemonte Orientale, Dipartimento di Politiche Pubbliche e Scelte Collettive Classification And Regression
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 10 Combinazione di classificatori Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliLE BASI DI DATI. Prima parte Premesse introduttive I MODELLI DEI DATI
LE BASI DI DATI Prima parte Premesse introduttive I MODELLI DEI DATI MODELLAZIONE DEI DATI Un modello dei dati è un insieme di concetti utilizzati per organizzare i dati di interesse e descriverne la natura
DettagliComputazione per l interazione naturale: classificazione supervisionata
Computazione per l interazione naturale: classificazione supervisionata Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliSistema Industriale di Visione basato sull Intelligenza Artificiale
Programmiamo innovazione e trasformiamo le idee in realtà. Sistema Industriale di Visione basato sull Intelligenza Artificiale AGS Advanced Global Solution Via Figino 20-20016 Pero - Italy info@ags-it.com
DettagliUn esempio: l ADT Dizionario (mutabile) Definizione. Alberi binari di ricerca (BST = binary search tree) search(chiave k) -> elem
Un esempio: l ADT Dizionario (mutabile) Algoritmi e Laboratorio a.a. 2006-07 Lezioni Gli alberi di ricerca sono usati per realizzare in modo efficiente il tipo di dato astratto dizionario Parte 19-D Alberi
DettagliVideo Analysis (cenni) Annalisa Franco
1 Video Analysis (cenni) Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Visual motion Un video è una sequenza di frame catturati nel corso del tempo Il valori dell immagine sono
DettagliGestione e modellazione di dati bioinformatici
Gestione e modellazione di dati bioinformatici MODULO: Riconoscimento e Recupero dell informazione per Bioinformatica Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università
Dettaglie applicazioni al dominio del Contact Management Andrea Brunello Università degli Studi di Udine
e applicazioni al dominio del Contact Management Parte V: combinazione di Università degli Studi di Udine In collaborazione con dott. Enrico Marzano, CIO Gap srl progetto Active Contact System 1/10 Contenuti
DettagliINDICE. Introduzione. 3 Capitolo 1 Cenni di geodesia
INDICE XI Introduzione 3 Capitolo 1 Cenni di geodesia 4 1.1 Le superfici di riferimento: definizioni e caratteristiche 1.1.1 La sfera come superficie di riferimento della Terra, p. 6 1.1.2 L ellissoide
DettagliRiduzione Dimensionalità
Introduzione Definizioni PCA vs LDA Principal Component Analysis (PCA) Linear Discriminant Analysis (LDA) t-sne 1 Definizioni Obiettivo dei metodi per la riduzione di dimensionalità (dimensionality reduction)
DettagliApprendimento Automatico: Teoria e Applicazioni
Apprendimento Automatico: Teoria e Applicazioni Apprendimento Automatico Componenti strutturati del DI: Alberto Bertoni Paola Campadelli Elena Casiraghi Nicolò Cesa-Bianchi Dario Malchiodi Matteo Re Giorgio
DettagliSistemi Avanzati per il Riconoscimento (4S02792)
Università di Verona Dipartimento di Informatica Corso di Laurea magistrale in Ingegneria e Scienze Informatiche Sistemi Avanzati per il Riconoscimento (4S02792) Prof. Marco Cristani e-mail: marco.cristani@univr.it
DettagliStabilità per i sistemi dinamici a tempo discreto
Parte 3, 1 Stabilità per i sistemi dinamici a tempo discreto Parte 3, 2 Stabilità: Le definizioni delle proprietà di stabilità per i sistemi dinamici a tempo discreto sono analoghe a quelle viste per i
DettagliApprendimento Automatico
Apprendimento Automatico Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Rappresentazione dei dati con i kernel Abbiamo una serie di oggetti S
DettagliINNOVAZIONI E SPERIMENTAZIONI. Nuove prospettive per la statistica ufficiale: metodi bayesiani per la stima dei flussi demografici
COMPORTAMENTI INDIVIDUALI Il E punto RELAZIONI di vista dell accademia SOCIALI Brunero Liseo IN TRASFORMAZIONE UNA SFIDA PER LA STATISTICA UFFICIALE INNOVAZIONI E SPERIMENTAZIONI 22 GIUGNO 2016 11.15 12.45
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
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
DettagliAlberi di ricerca. Alberi binari di ricerca. F. Damiani - Alg. & Lab. 04/05 (da C. Demetrescu et al - McGraw-Hill)
Alberi di ricerca Alberi binari di ricerca Un esempio: l ADT Dizionario (mutabile) Gli alberi di ricerca sono usati per realizzare in modo efficiente il tipo di dato astratto dizionario Alberi binari di
Dettagli1 - STATO DELL ARTE DEI SISTEMI DI VIDEOSORVEGLIANZA...7
INDICE 1 - STATO DELL ARTE DEI SISTEMI DI VIDEOSORVEGLIANZA...7 1.1 - INTRODUZIONE...7 1.2 - EVOLUZIONE DEI SISTEMI DI VIDEOSORVEGLIANZA...10 1.2.1 - Sistemi di videosorveglianza di prima generazione (first-generation
DettagliAlgoritmi e strutture dati 16 Dicembre 2004 Canali A L e M Z Cognome Nome Matricola
Algoritmi e strutture dati 16 Dicembre 04 Canali A L e M Z Cognome Nome Matricola Problema 1 (6 punti) Determinare la funzione calcolata dal metodo mistero e la sua complessità computazionale in funzione
DettagliBando Tematico 02 - Osservazione della Terra Archiving Data Fusion
Bando Tematico 02 - Osservazione della Terra Archiving Data Fusion Sergio Samarelli samarelli@planetek.it pkt293-08-1.0 Roma, 13 luglio 2011 Necessità & Requisiti Crescente richiesta di servizi di monitoraggio
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
DettagliIndice. Presentazione
Indice Presentazione v 1 Il problema statistico 1 1.1 Esperienze e regole 1 1.2 Un esempio introduttivo 3 1.3 Esperienze ed errori 4 1.4 Errori e fluttuazioni 6 1.5 Quando non ci sono regole 7 1.6 Conclusione
DettagliELABORAZIONE E CODIFICA DI IMMAGINI BITONALI
Università degli Studi di Trieste Corso di Elaborazione Elettronica di Immagini II ELABORAZIONE E CODIFICA DI IMMAGINI BITONALI Sommario Parte 1 1 2 3 Parte 2 4 Codifica CCITT Fax 5 Codifica JBIG2 Proprietà
DettagliInformatica 3. LEZIONE 16: Heap - Codifica di Huffmann. Modulo 1: Heap e code di priorità Modulo 2: Esempio applicativo: codifica di Huffmann
Informatica 3 LEZIONE 16: Heap - Codifica di Huffmann Modulo 1: Heap e code di priorità Modulo 2: Esempio applicativo: codifica di Huffmann Informatica 3 Lezione 16 - Modulo 1 Heap e code di priorità Introduzione
DettagliConfronto tra metodologie pixel-based vs. object-oriented per la classificazione di dati telerilevati ad alta risoluzione
Confronto tra metodologie pixel-based vs. object-oriented per la classificazione di dati telerilevati ad alta risoluzione Cristina Tarantino (*), Guido Pasquariello (*), Palma Blonda (*) (*) ISSIA-CNR,
DettagliANALISI E CLASSIFICAZIONE DI SEGNALI RADAR SU BASE SPERIMENTALE
UNIVERSITA' DEGLI STUDI DI ROMA TOR VERGATA Facoltà di Ingegneria Corso di Laurea Specialistica in Ingegneria delle Telecomunicazioni ANALISI E CLASSIFICAZIONE DI SEGNALI RADAR SU BASE SPERIMENTALE Relatore
DettagliRichiami di matematica discreta: grafi e alberi. Paolo Camurati Dip. Automatica e Informatica Politecnico di Torino
Richiami di matematica discreta: grafi e alberi Paolo Camurati Dip. Automatica e Informatica Politecnico di Torino Grafi Definizione: G = (V,E) V: insieme finito di vertici E: insieme finito di archi,
DettagliComputer Science Department University of Verona A.A Pattern Recognition. Introduction. Marco Cristani 1
Computer Science Department University of Verona A.A. 2015-16 Pattern Recognition Introduction Marco Cristani 1 Inquadramento Sistemi di Pattern Recognition nell uomo: riconoscere la faccia di una persona
DettagliEsame di Informatica applicata ai processi biotecnologici AA2003/04 Fabio Scotti, Stefano Ferrari Elaborato di Fabrizio Foglia Matr.
TITOLO: Classificazione ai primi vicini Argomento ed obiettivi elaborato Classificazione ai primi vicini: - Definizione - Proprietà - Le superfici di separazione nel piano con k=1,3,5, - Errori di training
DettagliInformatica 3. Informatica 3. LEZIONE 27: Strutture ad albero avanzate. Lezione 27 - Modulo 1. Trie (1) Trie binario
Informatica 3 Informatica 3 LZION 27: trutture ad albero avanzate Lezione 27 - Modulo Modulo : Trie Modulo 2: lberi bilanciati Modulo 3: trutture dati spaziali Trie olitecnico di Milano - rof. ara omai
DettagliIntelligenza Artificiale. Clustering. Francesco Uliana. 14 gennaio 2011
Intelligenza Artificiale Clustering Francesco Uliana 14 gennaio 2011 Definizione Il Clustering o analisi dei cluster (dal termine inglese cluster analysis) è un insieme di tecniche di analisi multivariata
DettagliINTERPOLAZIONI CON SPLINE
INTERPOLAZIONI CON SPLINE Assegnati gli n +1valori che la funzione f assume nei nodi x i, si costruisce un interpolazione polinomiale a tratti. In ognuno degli intervalli [x i 1,x i ] il polinomio interpolatore
DettagliRicerca di outlier. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna
Ricerca di outlier Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Ricerca di Anomalie/Outlier Cosa sono gli outlier? L insieme di dati che sono considerevolmente differenti dalla
DettagliEsercizio 1. E vero che in un AVL il minimo si trova in una foglia o nel penultimo livello? FB = -1. livello 0 FB = -1. livello 1 FB = -1.
Esercizio 1 E vero che in un AVL il minimo si trova in una foglia o nel penultimo livello? FB = -1 livello 0 FB = -1 FB = -1 livello 1 FB = -1 livello 2 livello 3 L altezza è 3, il minimo si trova nel
Dettagli