wie funktioniert die Daten-clustering Hilfe in Bild-oder Mustererkennung

Ist es keine überraschung, dass das clustering verwendet wird, für die Mustererkennung in großen und Bilderkennung insbesondere: clustering ist eine Reduzierung Prozess, und Bilder in diesem megapixel-ära brauchen einkochen... Es ist auch ein Prozess, der erzeugt Kategorien und das ist natürlich nützlich.

Allerdings gibt es viele Ansätze zur Verwendung von clustering als Verfahren für die Bilderkennung. Einer der Gründe für diese Vielfalt ist, dass das clustering angewendet werden kann auf verschiedenen Ebene, die für verschiedene Zwecke: vom Basis-pixel-Ebene um Merkmal-Ebene (feature sein, eine Linie, eine geometrische Figur,...), für die Einstufung oder für andere Zwecke.

Auf einem sehr hohen Niveau, clustering ist ein statistisches Werkzeug,, hilft es, zu entdecken, die relative Bedeutung der verschiedenen Dimensionen in der Definition der Zugehörigkeit des bestimmten Artikels an einer bestimmten Kategorie.

Eine [von vielen] Gebrauch[s] der so ein tool, ist mit betreute lernen, wobei eine Reihe von Mensch-ausgewählte Elemente (z.B. Bilder) gefüttert werden, die in die cluster-basierte Logik, zusammen mit einem label, einem bestimmten Element zugeordnet ("dies ist ein Apfel", "das ist ein Apfel", "das ist eine Zitrone"...), die clustering-Logik bestimmt dann, wie viel jede dimension der Eingabe-Fragen dafür, dass jede Gruppe von Elementen (äpfel, Zitronen...), passen in verschiedene cluster (zum Beispiel kann die Farbe der Materie relativ wenig, aber die Form, oder die Anwesenheit von Punkten, oder was auch immer ganz viel). Nach dieser Trainingsphase, neue Bilder können zugeführt werden, um die Logik und sehen, wie nahe die zu einem bestimmten cluster dieses Bild fällt, es wird "erkannt" (als eine Banane!).

Wenn es um Bildbearbeitung muss man daran erinnern, dass alles, was ist "gefüttert", um die clustering-Logik ist nicht unbedingt (sogar eher selten) die raw-Pixel, sondern auch mit verschiedenen "Objekten"
die Charakterisierung von verschiedenen "Elementen" der ursprünglichen Daten (im wesentlichen eine Sammlung von relativ hohen dimension, Vektoren, nicht im Gegensatz zu einigen, die kann man haben, tritt in der anderen andere Daten clustering Beispiele), und produziert von vorherigen Phasen des Prozesses. Zum Beispiel ein wichtiges element der Gesichtserkennung ist wohl der genaue Abstand zwischen der Mitte der Augen. In früheren Stadien, das Bild wird verarbeitet, in einer Weise, die Figuren hin, wo die Augen sind (möglicherweise sich auf einem anderen clustering-basierte Logik). Dann ist der Abstand zwischen den Augen, zusammen mit vielen anderen Elementen zugeführt werden, um das endgültige clustering-Logik.

Den vorstehenden Beschreibung ist nur ein Beispiel für den Einsatz von clustering zur Bilderkennung. In der Tat, die verschiedenen Formen der neuronalen Netze verwendet wurden, sehr erfolgreich, in diesem Bereich, und es kann argumentiert werden, dass in einem gewissen Sinne diese neuronale Netze-clustering-Informationen. Einer der Gründe für den Erfolg der neuronalen Netze liegt in Ihrer Fähigkeit zu mehr Respekt vor der Lokalität dimension, wie Sie in der ursprünglichen Eingabe, und auch Ihre Fähigkeit zur Arbeit in einem hierarchisch.

Einen guten Abschluss zu diesem schreiben, wäre eine kurze Liste mit online-Ressourcen, aber ich hab wenig Zeit im moment... "to be continued" 😉

Nächsten Tag Bearbeiten: (erfolglosen Versuch unternommen, einen einführenden online-Bibliographie zum Thema)

Meiner Suche nach Literatur zum Thema clustering angewandt auf künstlichen vision und Bildverarbeitung ergab zwei Cluster unterscheiden sich...; -)

• Bücher wie Algorithmen für die Bildverarbeitung und computer vision J Parkey pub Wiley, oder Machine Vision : Theory, Algorithms, Praktische M Seul et. Al Cambridge UP. Diese Bücher decken in der Regel alle wichtigen Techniken im Zusammenhang mit noise reduction, Edge-Erkennung, Farbe oder Intensität der Konvertierung und viele andere Elemente des Bildes processing-Kette, von denen die meisten nicht mit clustering oder auch statistische Methoden, und Sie behalten sich nur ein oder zwei Kapitel, oder auch kleinere Erwähnungen, die auf das clustering, wie Sie auf Mustererkennung oder andere Aufgaben.
• Wissenschaftlichen papers und Konferenz-Handbücher, die speziell auf cover clustering-Techniken angewandt, um künstlichen vision und so, aber im engsten und tiefsten Mode (ex: Variationen über den Fukunaga und Narendra-Algorithmus für Anwendungen in character recognition, oder Schnelle Methoden für die Auswahl der Nächsten Nachbarn-Kandidaten in welchem Kontext.)

Kurz gesagt ich fühle mich krank ausgestattet sind, um jedes bestimmte Buch-oder Artikel-Vorschlag.

Können Sie finden es informativ zu durchsuchen, Titel in sagen, Google Bücher, die Eingabe von "Artificial vision" oder "Image Recognition" oder einige der Titel oben schon erwähnt. Mit der Vorschau-Funktion und auch die tag-cloud (btw, eine andere Anwendung von clustering) in der "über dieses Buch" - link, kann man sich eine gute Vorstellung von den verschiedenen Bücher, die Inhalte und vielleicht zum Kauf entscheiden, einige von Ihnen. Leider ist die reduzierte Leserschaft und potenziell lukrative Anwendungen in den Bereichen machen diese Bücher relativ teuer. Am anderen Ende des Spektrums, können Sie es herunterladen, teilweise sogar kostenlos, Forschungsarbeiten diskutieren zu fortgeschrittenen Themen im Bereich. Diese wird auch zeigen, bis auf regelmäßige (web) Google, oder bei spezialisierten Repositorien wie CiteSeer.

Glück mit Ihrer Erkundung in das Feld an!