Teori om mönsterigenkänning

Den aktuella versionen av sidan har ännu inte granskats av erfarna bidragsgivare och kan skilja sig väsentligt från versionen som granskades den 9 april 2022; kontroller kräver 2 redigeringar .

Mönsterigenkänningsteori  är ett avsnitt av datavetenskap och relaterade discipliner som utvecklar grunderna och metoderna för att klassificera och identifiera objekt, fenomen, processer , signaler , situationer etc. objekt som kännetecknas av en ändlig uppsättning av vissa egenskaper och egenskaper. Sådana uppgifter löses ganska ofta, till exempel när man korsar eller kör en gata vid trafikljus. Att känna igen färgen på ett upplyst trafikljus och känna till vägreglerna gör att du kan fatta rätt beslut om huruvida du ska korsa gatan eller inte.

Behovet av ett sådant erkännande uppstår inom en mängd olika områden – från militära angelägenheter och säkerhetssystem till digitalisering av analoga signaler.

Problemet med mönsterigenkänning har blivit av enastående betydelse i tillstånd av informationsöverbelastning, när en person inte kan hantera en linjär-sekventiell förståelse av meddelanden som kommer in till honom, vilket resulterar i att hans hjärna växlar till läget för samtidighet av perception och tänkande , vilket är karakteristiskt för ett sådant erkännande.

Det är därför ingen slump att problemet med bildigenkänning har hamnat inom området tvärvetenskaplig forskning, inklusive i samband med arbetet med att skapa artificiell intelligens , och skapandet av tekniska bildigenkänningssystem väcker mer och mer uppmärksamhet . .

Trender i mönsterigenkänning

Det finns två huvudriktningar [1] :

Formellt uttalande av problemet

Mönsterigenkänning är tilldelningen av initiala data till en viss klass genom att lyfta fram de väsentliga egenskaperna som kännetecknar denna data från den totala mängden data.

När de ställer upp igenkänningsproblem försöker de använda ett matematiskt språk och försöker - i motsats till teorin om artificiella neurala nätverk [2] , där grunden är att erhålla ett resultat genom experiment - att ersätta experimentet med logiska resonemang och matematiska bevis [ 3] .

Klassiskt uttalande om problemet med mönsterigenkänning [4] : En uppsättning objekt ges. De måste klassificeras. En mängd representeras av delmängder, som kallas klasser. Givet: information om klasser, en beskrivning av hela uppsättningen och en beskrivning av information om ett objekt vars tillhörighet till en viss klass är okänd. Det krävs, enligt tillgänglig information om klasserna och beskrivningen av objektet, att fastställa vilken klass detta objekt tillhör.

Oftast betraktas monokroma bilder i mönsterigenkänningsproblem , vilket gör det möjligt att betrakta en bild som en funktion på ett plan. Om vi ​​betraktar en punktuppsättning på planet , där funktionen uttrycker sin egenskap vid varje punkt i bilden - ljusstyrka, transparens, optisk densitet, så är en sådan funktion en formell registrering av bilden.

Uppsättningen av alla möjliga funktioner på planet  är en modell av uppsättningen av alla bilder . Genom att introducera begreppet likhet mellan bilder kan vi ställa problemet med igenkänning. Den specifika formen för en sådan miljö beror starkt på de efterföljande stegen i erkännandet i enlighet med ett eller annat tillvägagångssätt.

Vissa metoder för igenkänning av grafiska bilder

För optisk bildigenkänning kan du använda metoden att iterera över utseendet på ett objekt i olika vinklar, skalor, förskjutningar etc. För bokstäver måste du iterera över typsnittet, teckensnittsegenskaper etc.

Det andra tillvägagångssättet är att hitta objektets kontur och utforska dess egenskaper (anslutning, närvaro av hörn, etc.)

Ett annat tillvägagångssätt är att använda artificiella neurala nätverk . Denna metod kräver antingen ett stort antal exempel på igenkänningsuppgiften (med korrekta svar), eller en speciell neural nätverksstruktur som tar hänsyn till detaljerna i denna uppgift.

Perceptron som metod för mönsterigenkänning

Frank Rosenblatt , som introducerar begreppet en modell av hjärnan , vars uppgift är att visa hur psykologiska fenomen kan uppstå i något fysiskt system, vars struktur och funktionella egenskaper är kända, beskrev de enklaste diskrimineringsexperimenten. Dessa experiment är helt relaterade till mönsterigenkänningsmetoder, men skiljer sig åt genom att lösningsalgoritmen inte är deterministisk.

Det enklaste experimentet, på grundval av vilket det är möjligt att få psykologiskt signifikant information om ett visst system, handlar om att modellen presenteras med två olika stimuli och måste svara på dem på olika sätt. Syftet med ett sådant experiment kan vara att studera möjligheten av deras spontana diskriminering av systemet i avsaknad av ingripande från försöksledaren, eller, omvänt, att studera påtvingad diskriminering, där försöksledaren försöker lära systemet att utföra erforderlig klassificering.

I ett inlärningsexperiment presenteras perceptronen vanligtvis med en viss sekvens av bilder, som inkluderar representanter för var och en av de klasser som ska särskiljas. Enligt någon regel för minnesmodifiering förstärks det korrekta valet av reaktion. Sedan presenteras kontrollstimuluset för perceptronen och sannolikheten för att erhålla det korrekta svaret för stimuli av denna klass bestäms. Beroende på om den valda kontrollstimulusen matchar eller inte matchar någon av bilderna som användes i träningssekvensen, erhålls olika resultat:

  1. Om kontrollstimulansen inte sammanfaller med någon av inlärningsstimulierna är experimentet inte bara förknippat med ren diskriminering , utan inkluderar också element av generalisering .
  2. Om kontrollstimulansen exciterar någon uppsättning sensoriska element som är helt olika de element som aktiverades under påverkan av tidigare presenterade stimuli av samma klass, då är experimentet en studie av ren generalisering .

Perceptroner har inte kapacitet för ren generalisering, men de fungerar ganska tillfredsställande i diskrimineringsexperiment, speciellt om kontrollstimuluset sammanfaller tillräckligt nära med ett av de mönster som perceptronen redan har samlat på sig en del erfarenhet av.

Exempel på problem med mönsterigenkänning

Se även

Anteckningar

  1. ↑ Tu J., Gonzalez R. Principles of Pattern Recognition, M. 1978
  2. ↑ Matkasym N. N. Mönsterigenkänning med hjälp av neurala nätverk  // Microsofts teknologier i teori och praktik för programmering: en samling av handlingar från den XIII allryska vetenskapliga och praktiska konferensen för studenter, doktorander och unga forskare, Tomsk, 22-23 mars, 2016. - s. 23-25 ​​. Arkiverad från originalet den 17 september 2017.
  3. ↑ Fine V. S.  Bildigenkänning, M., 1970
  4. ↑ Zhuravlev Yu. I.  Om det algebraiska tillvägagångssättet för att lösa problem med erkännande och klassificering // Problems of Cybernetics. — M.: Nauka, 1978, nr. 33. - S. 5-68.

Litteratur

Länkar

  Gå till Wikidata-objektet  Ordböcker och uppslagsverk
I bibliografiska kataloger