Pattern Recognition

Utilizzo del pattern recognition per la rilevazione, la classificazione e la segmentazione degli oggetti per la visione artificiale.

Pattern recognition è il processo di classificazione dei dati in ingresso in oggetti o classi sulla base di caratteristiche chiave. Il pattern recognition prevede due metodi di classificazione: classificazione supervisionata e non supervisionata.

Il pattern recognition ha applicazioni nella visione artificiale, nell’elaborazione di radar, nel riconoscimento vocale e nella classificazione di testi.

Classificazione con supervisione

La classificazione con supervisione di dati di input in metodi di pattern recognition utilizza algoritmi di apprendimento supervisionato che permettono di realizzare classificatori basati su dati di training relativi a differenti classi di oggetti. Il classificatore accetta quindi i dati di ingresso e assegna l’etichetta dell’oggetto o della classe appropriata.

Nella visione artificiale, le tecniche di pattern recognition con supervisione vengono utilizzate per il riconoscimento ottico dei caratteri (Optical Character Recognition, OCR), la rilevazione di volti umani, il riconoscimento facciale, la rilevazione e la classificazione di oggetti.

Rilevazione volti (a sinistra) e rilevamento del segnale di stop (a destra) mediante una cascata di classificatori. Vedere l’esempio e il tutorial per maggiori dettagli.

Rilevazione di persone mediante support vector machines (SVM) ed estrazione di caratteristiche con istogramma di gradienti orientati (HOG). Vedere la documentazione per ulteriori dettagli.

Classificazione senza supervisione

Il metodo di classificazione senza supervisione consiste nell’individuare strutture nascoste in dati non etichettati utilizzando le tecniche di segmentazione o clustering. Tra i metodi più comuni di classificazione senza supervisione figurano:

  • Clustering k-means
  • Modelli di mistura gaussiana
  • Modelli Markov di tipo hidden

Nell’elaborazione di immagini e nella visione artificiale, le tecniche di pattern recognition senza supervisione vengono utilizzate per la rilevazione di oggetti e la segmentazione di immagini.

Rilevazione di oggetti in movimento mediante classificazione dei pixel dell’immagine in primo piano (pixel bianchi) e sullo sfondo (pixel neri) utilizzando i modelli di mistura gaussiana. Vedere l’esempio per maggiori dettagli.

Segmentazione di immagini a colori mediante clustering k-means.

Per ulteriori informazioni, vedere Computer Vision System Toolbox™, Image Processing Toolbox™ e Statistics and Machine Learning Toolbox™, utilizzati in combinazione con MATLAB®.

Vedere anche : rilevazione oggetti, riconoscimento oggetti, riconoscimento immagini, riconoscimento facciale, estrazione di caratteristiche, tracciamento oggetti, segmentazione immagini, machine learning, video di pattern recognition, point cloud, deep learning

Corso di formazione sul Machine Learning

In questo corso imparerai a utilizzare le tecniche di apprendimento senza supervisione per scoprire le caratteristiche di grandi insiemi di dati e le tecniche di apprendimento con supervisione per imparare a costruire modelli predittivi.