JOHDATUS TEKOÄLYYN TEEMU ROOS

HTML
DOWNLOAD

Koko: px

Aloita esitys sivulta:

Download "JOHDATUS TEKOÄLYYN TEEMU ROOS"

Onni Heikkinen
8 vuotta sitten
Katselukertoja:

1 JOHDATUS TEKOÄLYYN TEEMU ROOS

2 TERMINATOR

3 SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN T (AIKA) FUNKTIONA (TAI MUUTTUJAN F (TAAJUUS) => FREQUENCY DOMAIN )

4 SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN T (AIKA) FUNKTIONA (TAI MUUTTUJAN F (TAAJUUS) => FREQUENCY DOMAIN )

5 SIGNAALINKÄSITTELY KUVAN TAI ÄÄNITIEDOSTON KOKO ON USEIN SUURI: ESIM X 1000 PIKSELIÄ = PIKSELIÄ KUVA: RESOLUUTIO [DPI] ÄÄNI: NÄYTTEENOTTOTAAJUUS [HZ] KOHINAA ESIINTYY AINA LUONNOLLISESSA SIGNAALISSA SIGNAALI RIIPPUU MYÖS OLOSUHTEISTA: - KUVAKULMA, VALAISTUS, ETÄISYYS,... - KAIKU, MIKROFONI, TAUSTAHÄLY,... TUNNISTAMINEN TAI LUOKITTELU VAIKEAA

6 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN

7 MOTION CAPTURE

8 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN

9 MICROSOFT PHOTOSYNTH

10 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN

11 AFGHAN GIRL

12 AFGHAN GIRL

13 AFGHAN GIRL INVARIANSSI

14 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN

15 KOHINANPOISTO Example: Denoising Occam s Razor MDL Principle Universal Source Coding MDL Principle (contd.) Modern MDL Histogram Density Estimation Clustering Linear Regression Wavelet Denoising Teemu Roos Introduction to Information-Theoretic Modeling

16 KOHINANPOISTO Example: Denoising Occam s Razor MDL Principle Universal Source Coding MDL Principle (contd.) Modern MDL Histogram Density Estimation Clustering Linear Regression Wavelet Denoising Teemu Roos Introduction to Information-Theoretic Modeling

17 KOHINANPOISTO ALKUPERÄINEN KÄSITELTY

18 KOHINANPOISTO SIGNAALI (ÄÄNI TAI KUVA) ESITETÄÄN NIIN SANOTUSSA AALLOKEMUODOSSA (WAVELET) HIUKAN KUIN TAAJUUS- ESITYS ÄÄNELLÄ KÄSITELLÄÄN SIGNAALIA VEKTORINA

19 KOHINANPOISTO AALLOKEMUODOSSA SIGNAALIN OLENNAINEN OSA KESKITTYNYT VAIN HARVOIHIN, ISOIHIN ELEMENTTEIHIN [0,0,0, 45, 12, 0,0,0,0, 2, 0,0, 120, 0,0,0,...] KOHINA JAKAUTUU TASAISESTI KAIKILLE ELEMENTEILLE [ε,ε,ε,45±ε, 12±ε,ε,ε,ε,ε, 2±ε,ε,ε, 120±ε,ε,ε,ε,...] MENETELMÄ: ASETA NOLLAA LÄHELLÄ OLEVAT ELEMENTIT NOLLIKSI [0,0,0,45±ε, 12±ε,0,0,0,0, 0,0,0, 120±ε,0,0,0,...] TULOS: SUURIN OSA KOHINASTA HÄVIÄÄ VAIN PIENI OSA SIGNAALISTA HÄVIÄÄ

20 KOHINANPOISTO AALLOKEMUODOSSA SIGNAALIN OLENNAINEN OSA KESKITTYNYT VAIN HARVOIHIN, ISOIHIN ELEMENTTEIHIN [0,0,0, 45, 12, 0,0,0,0, 2, 0,0, 120, 0,0,0,...] KOHINA JAKAUTUU TASAISESTI KAIKILLE ELEMENTEILLE [ε,ε,ε,45±ε, 12±ε,ε,ε,ε,ε, 2±ε,ε,ε, 120±ε,ε,ε,ε,...] MENETELMÄ: ASETA NOLLAA LÄHELLÄ OLEVAT ELEMENTIT NOLLIKSI [0,0,0,45±ε, 12±ε,0,0,0,0, 0,0,0, 120±ε,0,0,0,...] TULOS: SUURIN OSA KOHINASTA HÄVIÄÄ VAIN PIENI OSA SIGNAALISTA HÄVIÄÄ

21 KOHINANPOISTO kohinanpoisto(x,t): n length(x) c dwt(x) // discrete wavelet transform for i = 1,...,n: if c[i] < t: c[i] = 0 end-for x idwt(c) // inverse wavelet transform return x

22 KOHINANPOISTO kohinanpoisto(x,t): AALLOKEMUUNNOS n length(x) c dwt(x) // discrete wavelet transform for i = 1,...,n: if c[i] < t: c[i] = 0 end-for x idwt(c) // inverse wavelet transform return x

23 KOHINANPOISTO kohinanpoisto(x,t): n length(x) KYNNYSARVO t c dwt(x) // discrete wavelet transform for i = 1,...,n: if c[i] < t: c[i] = 0 end-for x idwt(c) // inverse wavelet transform return x

24 KOHINANPOISTO kohinanpoisto(x,t): n length(x) c dwt(x) // discrete wavelet transform for i = 1,...,n: KÄÄNTEISMUUNNOS if c[i] < t: c[i] = 0 end-for x idwt(c) // inverse wavelet transform return x

25 KOHINANPOISTO AALLOKEMUUNNOS LUONNOLLINEN SIGNAALI

26 KOHINANPOISTO LUONNOLLINEN SIGNAALI 120 AALLOKEMUUNNOS

27 KOHINANPOISTO KOHINAA LUONNOLLINEN SIGNAALI AALLOKEMUUNNOS

28 KOHINANPOISTO KYNNYSARVO T LUONNOLLINEN SIGNAALI AALLOKEMUUNNOS

29 KOHINANPOISTO LUONNOLLINEN SIGNAALI 121 AALLOKEMUUNNOS

30 KOHINANPOISTO AALLOKEMUUNNOS -8 8 SIGNAALI SILEÄMPI KUIN ENNEN JA VÄHEMMÄN KOHINAA LUONNOLLINEN SIGNAALI

31 KOHINANPOISTO

32 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN

33 RADIOHEAD

34 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN

35 SEURANTA (TRACKING)

36 HAHMONTUNNISTUS TAVOITE TUNNISTAMISESSA LÖYTÄÄ PIIRTEET, JOIDEN PERUSTEELLA VOIDAAN TUNNISTAA SAMA HAHMO ERI KUVISSA TAI ÄÄNINÄYTTEISSÄ KUVASSA TYYPILLISIÄ PIIRRETYYPPEJÄ: - REUNAT - KULMAT ÄÄNESSÄ: - TAAJUUS - TAAJUUDEN MUUTOKSET (YLÖS, ALAS,...) - RYTMI -...

37 SURF HAHMONTUNNISTUKSESSA SUOSIOSSA INVARIANTIT PIIRTEET, KUTEN SIFT (Scale Invariant Feature Transform) JA SURF (Speeded Up Robust Features). H. Bay, T. Tuytelaars & l. van Gool. SURF: Speeded Up Robust Features, Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3, pp , 2008 IDEANA LÖYTÄÄ KUVASTA JOUKKO PIIRTEITÄ (FEATURE), JOTKA SÄILYVÄT SAMANA - ERI KOOSSA INVARIANSSI - ERI KULMASSA JA JOTKA VOI LASKEA - NOPEASTI.

38 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN

39 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN

40 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN

41 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN

42 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN

43 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN 3. TOISTA ERI SKAALAUKSILLA (SKAALAINVARIANTTI) 4. VALITSE det(h):n PAIKALLISET MAKSIMIT AVAINPISTEIKSI

44 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN 3. TOISTA ERI SKAALAUKSILLA (SKAALAINVARIANTTI) 4. VALITSE det(h):n PAIKALLISET MAKSIMIT AVAINPISTEIKSI

45 SURF VAIHE II: PIIRTEIDEN KUVAUS: 1. TARKASTELE JOKAISEN AVAINPISTEEN YMPÄRISTÖÄ 2. LASKE ORIENTAATIO (INTENSITEETIN PERUSTEELLA) 3. KONSTRUOI INTENSITEETIN VAIHTELUN PERUSTEELLA KUVAAJAVEKTORI (SURFISSA 64-DIMENSIOINEN)

46 SURF VAIHE II: PIIRTEIDEN KUVAUS: 1. TARKASTELE JOKAISEN AVAINPISTEEN YMPÄRISTÖÄ 2. LASKE ORIENTAATIO (INTENSITEETIN PERUSTEELLA) 3. KONSTRUOI INTENSITEETIN VAIHTELUN PERUSTEELLA KUVAAJAVEKTORI (SURFISSA 64-DIMENSIOINEN)

47 SURF VAIHE II: PIIRTEIDEN KUVAUS: 1. TARKASTELE JOKAISEN AVAINPISTEEN YMPÄRISTÖÄ 2. LASKE ORIENTAATIO (INTENSITEETIN PERUSTEELLA) 3. KONSTRUOI INTENSITEETIN VAIHTELUN PERUSTEELLA KUVAAJAVEKTORI (SURFISSA 64-DIMENSIOINEN) TULOKSENA PIIRREVEKTORI: (X,Y,SKAALA,ORIENTAATIO,KUVAAJAVEKTORI)

48 SURF

49 SURF-ESIMERKKI

50 SURF VAIHE III: HAHMONTUNNISTUS 1. ETSI PIIRTEET YHDESTÄ KUVASTA 2. ETSI PIIRTEET TOISESTA KUVASTA 3. ETSI ERI KUVISSA ESIINTYVIÄ PIIRREPAREJA, JOTKA OVAT RIITTÄVÄN LÄHELLÄ TOISIAAN (EUKLIDINEN ETÄIYYS) 4. VOI PARANTAA GEOMETRISILLA RAJOITTEILLA (KORVAT ERI PUOLELLA PÄÄTÄ, SILMÄT SIINÄ VÄLISSÄ, JNE.)

51 SURF

52 SURF

53 SURF

54 ENSI VIIKOSTA LEGOILLA LEIKKIMISTÄ LASKUHARJOITUSRYHMISSÄ PAJAMEININKIÄ LISÄRYHMIÄ PERUSTETAAN LISÄOHJEITA KURSSIN SIVULLA (MYÖHEMMIN)

Samankaltaiset tiedostot

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN