15/03/2016

CÍCERO FERREIRA FERNANDES COSTA FILHO

2012/2016
1

Reconhecimento de Padrões
 “ Disciplina científica cujo objetivo é classificar objetos em
categorias ou classes”

 Antes de 1960 era vista como um resultado da pesquisa teórica

na área de estatística

 O advento dos computadors fez crescer a demanda por

aplicações práticas de reconhecimento de padrões, que por sua
vez suscitou novas demandas por desenvolvimentos teóricos
adicionais.

 A tarefa: Designar um objeto desconhecido – padrão – à classe

correta. Isso é conhecido como classificação.

1
 15/03/2016

Reconhecimento de Padrões
 Áreas de aplicação típicas
 Visão de Máquina
• Reconhecimento de caractere(OCR)
• Diagnóstico auxiliado por computador
• Biometria: Reconhecimento através da iris, impressão digital,
face.
• Reconhecimento de gestos.
 Reconhecimento da fala
 Classificação de e-mails

Publicações nos últimos 5 anos em revista

Reconhecimento de Padrões

Exemplo: Suponha a tarefa de classificar achados em imagens médicas

como benignos ou malignos. Seja a imagem da esquerda uma imagem
de um achado benigno, enquanto que a imagem da direita, de um achado
maligno.

2
 15/03/2016

Reconhecimento de Padrões

Tarefa 1: Segmentar a região de interesse (processamento digital de

imagens)

Tarefa2: Identificar características que possam diferenciar um achado do

outro. No gráfico da esquerda mostra-se a media da intensidade de cinza
dos pixels das duas regiões acima. No gráfico do centro mostra-se valores
médios de amostras de outras regiões também plotados. No gráfico da
direita mostra-se a plotagem em duas dimensões com o acréscimo de uma
segunda variável, o desvio padrão.

Reconhecimento de Padrões

Tarefa 3: Identificar um classificador. Nesse caso uma reta serviu para

separar as amostras das duas classes.

3
 15/03/2016

 Características: São quantidades mensuráveis obtidas a

partir dos padrões. A tarefa de classificação é realizada a partir
dos valores mensurados.

Vetores de Características: Uma ou mais características

x1 ,..., xl ,
constituem o vetor de características
x  x1 ,..., xl   R l
T

Vetores de características são tratados como vetores

randômicos.

 O classificador consiste de um conjunto de funções, cujos

valores, calculados para cada vetor x, determinam a que
classe o vetor pertence.

 No exemplo precedente o classificador é a linha de

decisão =a. +b.

 Exemplo de uso do classificador:

 Os padrões (vetores de características) cujas classes são

conhecidas e que são utilizados para o projeto do
classificador são denominados de conjunto de treinamento
ou padrões de treinamento. 8

4
 15/03/2016

 Sistema de classificação

 Na figura anterior os estágios não são independentes.

Dependendo do resultado, pode-se voltar para reprojetar
estágios anteriors, com o objetivo de melhorar o
desempenho geral.

 Questões:
 Como são geradas as características?
 Qual o melhor número de características a serem usadas?
 Como é projetado o classificador?
• Estatístico, linear ou não linear?
 Como pode-se avaliar o desempenho do classificador
projetado?

10

5
 15/03/2016

 Fases de um classificador:

Treinamento: O treinamento de um classificador tem o

objetivo de obter os parâmetros do mesmo, que
possibilitarão a sua utilização em tarefas de
classificação.

Utilização: Quando os parametros do classificador são

obtidos através do treinamento o mesmo pode ser
usado em aplicações com padrões do mesmo tipo que
foram utilizados para o treinamento. 11

 Tipos de treinamento:
 Supervisionado
 Não supervisionado

Treinamento supervisionado:
 O treinamento supervisionado é caracterizado pela
existência de um conjunto de treinamento, formado
por padrões cujas classes são conhecidas.
 Na entrada do classificador apresenta-se um padrão.
Compara-se então a saída do classificador com a saída
desejada para a classe do padrão. Se houver erros,
corrige-se os parâmetros do classificador.
 Os padrões são apresentados individualmente ao
classificador 12

6
 15/03/2016

 Treinamento supervisionado

13

 Utilização do classificador com treinamento

supervisionado

14

7
 15/03/2016

Treinamento não supervisonado:

 Não se conhece a priori as classes dos padrões.
 A tarefa do classificador é agrupar os padrões em
grupos ou classes, de acordo com a proximidade entre
os padrões, aferida através de medidas de similaridade
entre os mesmo.
 O número de grupos é fixado pelo projetista do
classificador.

15

Utilização do classificador com treinamento não

supervisonado:
 Cada grupo é representado por um vetor. que pode ser
o vetor médio dos vetores do grupo, vmn;
 Calcula-se a distância do padrão de teste x em relação
a esses vetores representativos dos grupos.
 A menor distância corresponderá
ao grupo ao qual o padrão de
teste x pertence.

16

8
 15/03/2016

Exemplo de Aplicação com Treinamento

Supervisionado:
 Classificação dos gestos da Brasileira de Sinais –
LIBRAS – Publicação 2015-2016: A New Method
for Recognizing Hand Configurations of
LIBRAS

17

Exemplo de Aplicação com Treinamento

Supervisionado:
61 gestos

O conjunto de treinamento foi constituído por 18

6100 imagens, sendo 100 de cada gesto.

9
 15/03/2016

Exemplo de Aplicação com Treinamento

Supervisionado:

19

Exemplo de Aplicação com Treinamento

Supervisionado:

20

10
 15/03/2016

Exemplo de Aplicação com Treinamento

Supervisionado:

K-Vizinhos mais próximo

21

Exemplo de Aplicação com Treinamento

Supervisionado:

Classificador de Novidades

22

11
 15/03/2016

Exemplo de Aplicação com Treinamento

Supervisionado:

Acurácia dos métodos de classificação.

O Classificador foi testado com 6100 imagens,

23
sendo 100 por cada gesto.

Exemplo de Aplicação com Treinamento

Supervisionado:

Avaliação dos Erros

24

12
 15/03/2016

 Ementa

 Classificadores Supervisionados
• Revisão de probabilidade
• Classificadores probabilísticos
• Classificadors lineares
• Classificadores não lineares
• Classificador de Novidades
 Técnicas de Seleção de Caracteríticas
 Técnicas de Geração de Caraterísticas
 Avaliação de Sistemas
 Classificadores não supervisionados
• Algoritmos sequenciais de agrupamento
• Algoritmos hieráquicos de agrupamento
• Algoritmo K-means e K-medoids
25

 Bibliografia

 Pattern Recognition, Sergios Theodoridis e

Konstantinos Koutroumbas, Academic Press, 2009
 Introduction to Pattern Recognition – A MATLAB
Approach, Sergios Theodoridis e Konstantinos
Koutroumbas, Academic Press, 2009
 Machine Learning, Peter Flach, Cambridge University
Press, 2014
 Pattern Classification, Richard O. Duda, Peter E. Hart,
David G. Stork, Wiley Interscience, 2001
 Pattern Recognition and Machine Learning, Christopher
M. Bishop, Springer, 2006.

26

13
 15/03/2016

 Avaliação

 3 Exercícios escolares em sala de aula

 5 ou 6 Trabalhos práticos

Nota 1: 1 Exercício escolar + 1 ou 2 trabalhos práticos

Nota 2: 1 Exercício escolar + 1 ou 2 trabalhos práticos
Nota 3: 1 Exerício escolar + 1 ou 2 trabalhos práticos

Média: (Nota 1 + Nota 2 + Nota 3)/3

27

 Aplicações envolvendo imagens e dados

 Aplicações de visão de máquina:

• Identificação de peças defeituosas em uma linha de
montagem;
• Seleção de peças para embalagem.
28

14
 15/03/2016

 Dispositivo de OCR
• Fonte de luz, lentes, mecanismo de transporte de
documento e detector.
 Aplicações
• Automação bancária para comparar o valor expresso
em número com o valor escrito;
• Correio para separar correspondência em função do
CEP;
• Conversão de escrita na tela de computadores para
texto.

29

 Aplicações
• Diagnóstico de câncer de mama por mamografia: em
mamografia 10%-30% das mulheres que têm câncer
de mama e que se submetem a mamografia têm um
resultado negativo
• Diagnóstico de câncer por cintilografia
• Diagnóstico da tuberculose através de análise de
lâminas de escarro em microscopia ótica
• Diagnóstico de arritmias cardíacas
 Observação
• O diagnóstico automático não substitui o médico,
apenas o auxilia com uma segunda opinião.
 Problemas que são resolvidos
• Cansaço do médico ou técnico em saúde
• Dificuldade de diagnósticos sutis
30

15
 15/03/2016

5.
4.
3.
2.

 Publicações em revista nos últimos 5 anos

31

5.
4.
3.
2.

 Publicações em revista nos últimos 5 anos

32

16
 15/03/2016

 Exemplos de Aplicações
• Sensoreamento remoto;
• Nas ciências sociais, para fazer levantamento e
correlação de dados no sentido de estabelecer
correlação entre variáveis de um país, como: PIB, nível
de alfabetização da população e mortalidade infantil

33

17