Reconhecimento de objetos com Kinect. MAC Profª Nina Alexandre Martins
|
|
|
- Nina Ramires Aranha
- 6 Há anos
- Visualizações:
Transcrição
1 Reconhecimento de objetos com Kinect MAC Profª Nina Alexandre Martins alemart@ime.usp.br 28 de Outubro de 212
2 Classificar objetos conhecidos colocados sobre uma mesa
3 Roteiro 1. Aquisição dos dados 2. Mudança de representação 3. Segmentação dos objetos 4. Classificação i. forma ii. cor
4 Aquisição dos dados Microsoft Kinect (agradecimentos ao hitoshi :) Câmera RGB - 3Hz Sensor de profundidade - 3Hz Autores: James Pfaff, Alphathon (Wikipedia). CC-BY-SA 3.
5 Aquisição dos dados
6 Mudança de representação Quero uma nuvem de pontos 3D, colorida.
7 Mudança de representação Modelo: câmera de furo 1) Dado (u, v) na depth image, obtenha a posição (x, y, z) do ponto z = 1 / (depth(u, v) * dc1 + dc2) y = z * (u - px_d) / fx_d x = z * (v - py_d) / fy_d 2) Obtenha a cor (r, g, b) correspondente a (x, y, z) [x' y' z']^t = R [x y z]^t + T u' = (x' * fx_rgb) / z' + px_rgb v' = (y' * fy_rgb) / z' + py_rgb r = red(u', v'), g = green(u', v'), b = blue(u', v') Fonte: [1]
8 Mudança de representação Já implementado na Point Cloud Library :) pointclouds.org
9 Segmentação dos objetos...que estão dispostos sobre a mesa
10 Segmentação dos objetos remova pontos cuja coordenada z é >= limiar
11 Segmentação dos objetos "downsample"
12 Segmentação dos objetos remova a mesa (???)
13 Segmentação dos objetos RANdom SAmple Consensus (RANSAC) Autor: Msm (Wikipedia). CC-BY-SA 3.
14 Segmentação dos objetos remova a mesa
15 Segmentação dos objetos elimine o ruído restante...
16 Segmentação dos objetos e extraia os clusters (floodfill)
17 Classificação Classifique os clusters por forma e por cor Classif. 1: forma Classif. 3: objeto Classif. 2: cor SAÍDA
18 Classificação Classifique os clusters por forma e por cor Classif. 1: forma Classif. 3: objeto Classif. 2: cor SAÍDA
19 Classificação (forma) Dado um cluster, quero saber sua forma Conjunto de classes: { maçã, banana, caixa, tigela } Preciso: 1) achar um vetor de características 2) escolher um classificador 3) treiná-lo e testá-lo...
20 Classificação (forma) Viewpoint Feature Histogram (VFH) é um descritor para nuvens de pontos 3D que codifica geometria e ponto de vista [2]. VFH é rápido e invariante à escala. É fixado um ponto de vista (ex: origem)
21 Classificação (forma) Dado um ponto p e sua k-vizinhança { pi }, determine a normal à superfície em p. Use PCA para determinar a direção: Dado o ponto de vista, vp, ache o sentido: Fonte:
22 Classificação (forma) Dados dois pontos ps e pt, definimos seus desvios angulares <α,φ,θ> por: onde: Fonte:
23 Classificação (forma) Seja c o centróide do cluster. Para cada pi, calculamos três componentes: 1) viewpoint component βi = ni. (vp - c) / (vp - c) 2) distância normalizada entre pi e c 3) desvios angulares entre pi e c Fonte: [2]
24 Classificação (forma)... quebramos as componentes em "caixas": 1) viewpoint component: 128 subdivisões 2) distância normalizada: 45 subdivisões 3) desvios angulares: 45*3 subdivisões... e, usando todos os pontos do cluster, montamos um histograma
25 Classificação (forma) Assim, para cada cluster, computamos um feature vector de dimensão 38. YYYYYEEEEEEESSSSS!!!
26 Classificação (forma) Classificador: k nearest neighbors Autor: Antti Ajanki (Wikipedia). CC-BY-SA 3.
27 Classificação (forma) Distância entre dois histogramas: knn já implementado na biblioteca FLANN: Fast Library for Approximate Nearest Neighbors Fonte: [4]
28 Classificação (forma) Para "treinamento", usamos o RGB-D Dataset da Universidade de Washington [3]. Fonte:
29 Classificação (forma) RGB-D Dataset: objetos capturados com um Kinect com o auxílio de uma mesa giratória. Imagem extraída de [2]
30 Classificação (forma) Testes: validação cruzada (k-fold) k=3 p/ n=2483 amostras Matriz de confusão: real \ pred maçã banana caixa tigela maçã 66 1 banana 725 caixa tigela hmmm... usando 1 vizinho + próximo...
31 Classificação (forma) Testes: validação cruzada (k-fold) k=3 p/ n=2483 amostras maçã banana caixa tigela TP TN FP 4 1 FN acurácia 99,8% 1% 99,88% 99,9% precisão 99,34% 1% 1% 99,82% hmmm...
32 Classificação (forma) Testes: validação cruzada (k-fold) k=3 p/ n=2483 amostras Matriz de confusão: real \ pred maçã banana caixa tigela maçã 67 banana 725 caixa tigela hmmm... usando 6 vizinhos + próximos...
33 Classificação (forma) Testes: validação cruzada (k-fold) k=3 p/ n=2483 amostras maçã banana caixa tigela TP TN FP 13 2 FN 11 4 acurácia 99,47% 1% 99,55% 99,75% precisão 97,92% 1% 1% 99,65% hmmm...
34 Classificação (forma) Ele generaliza bem? Cjto. treinamento (n=2483)!= cjto. teste (n=48) Matriz de confusão: real \ pred maçã banana caixa tigela maçã 16 banana 7 1 caixa 2 22 tigela hmmm... usando 6 vizinhos + próximos...
35 Classificação (forma) Ele generaliza bem? Cjto. treinamento (n=2483)!= cjto. teste (n=48) maçã banana caixa tigela TP TN FP 2 1 FN 1 2 acurácia 96% 97,91% 93,75% 1% precisão 88,88% 1% 95,65% - hmmm...
36 Classificação Classifique os clusters por forma e por cor Classif. 1: forma Classif. 3: objeto Classif. 2: cor SAÍDA
37 Classificação (cor) Dado um cluster, quero saber sua "cor" Conjunto de "cores": { maçã, maçã verde, banana, aveia, cx. cereal, livro } Preciso: 1) achar um vetor de características 2) escolher um classificador 3) treiná-lo e testá-lo...
38 Classificação (cor) rg chromacity space dada uma tripla (R,G,B), calcule: obs: r + g + b = 1 Fonte:
39 Classificação (cor) sem intensidade! Autor: Augurar (Wikipedia). CC-BY-SA 3..
40 Classificação (cor) Cada ponto terá um feature vector: (r, g)
41 Classificação (cor) Mistura de Gaussianas x
42 Classificação (cor) Seja x = (x1,...,xn) uma amostra de n observações i.i.d. de uma mistura de duas gaussianas d-dimensionais. Há n va's "ocultas", z1,..., zn, que determinam de qual gaussiana veio a observação. Ademais, cada zi é uma Bernoulli. zi's são as "etiquetas". Fonte:
43 Classificação (cor) Sei que: Quero estimar: Fonte: org/wiki/expectation%e2%8% 93maximization_algorithm
44 Classificação (cor) Expectation-Maximization algorithm (EM) Repita até convergência { E-step: meu melhor "chute" da prob. de que xi é da gaussiana j Fonte:
45 Classificação (cor) M-step (similar a MLE): } Fonte:
46 Classificação (cor) fdp da "cor" da maçã:
47 Classificação (cor) 1. Estimei a fdp, no espaço rg, de cada "cor" 2. Classifico todos os pontos do cluster (Bayes) 3. Classifico o cluster como a "cor" + frequente
48 Classificação (cor) Classificação dos pontos: categoria ("cor") % maçã (vermelha) 7,2465 aveia 18,399 cx. cereal 5,98592 banana 2,8169 livro 2,46479 maçã verde,17656
49 Classificação (cor) Testes: validação cruzada (k-fold) k=6 p/ n=48 objetos. Matriz de confusão: real \pred maçã aveia banana livro cx. cereal m. verde maçã 8 aveia 5 banana 8 livro 8 cx. cereal m. verde 8
50 Classificação (cor) Testes: validação cruzada (k-fold) k=6 p/ n=48 objetos. maçã aveia banana livro cx. cereal m. verde TP TN FP 1 6 FN 7 acurácia 1% 1% 97,91% 87,5% 85,41% 1% precisão 1% 1% 88,88% 57,14% 1% 1%
51 Classificação (cor) Classificação dos pontos: categoria % cx. cereal 29,9973 banana 28,5373 aveia 15,5296 livro 15,3172 maçã (vermelha) 6,26493 maçã verde 4,3536 hmmmm...
52 Classificação Classifique os clusters por forma e por cor Classif. 1: forma Classif. 3: objeto Classif. 2: cor SAÍDA
53 Classificação (objeto) Universo conhecido: { maçã, m. verde, banana, aveia, cx. cereal, livro, tigela }
54 Classificação (objeto) Árvore de decisão hardcoded... forma? tigela maçã... caixa... tigela... cor? cor? m. verde m. verm. livro... maçã vermelha... cx. cereal maçã verde livro de cálculo caixa de cereal
55 Demonstração
56 kbô
57 Referências [1] J. Kramer, et al. Hacking the Kinect. Apress, 212. [2] R. B. Rusu, G. Bradski, R. Thibaux e J. Hsu, "Fast 3D Recognition and Pose Using the Viewpoint Feature Histogram", Proceedings of the 23rd IEEE/RS, International Conference on Intelligent Robots and Systems (IROS), 212. [3] K. Lai, L. Bo, X. Ren e D. Fox. "A Large-Scale Hierarchical Multi-View RGBD Object Dataset", IEEE International Conference on Robotics and Automation (ICRA), Maio de 211. [4] O. Pele e M. Weman, "The Quadratic-Chi Histogram Distance Family", ECCV 21.
MAC5832: Reconhecimento de objetos com Kinect
MAC5832: Reconhecimento de objetos com Kinect Alexandre M. F. de Sousa Instituto de Matemática e Estatística Universidade de São Paulo São Paulo, Brasil Email: alemart@ime.usp.br Resumo O barateamento
Face Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Mapeamento de ambientes e processamento visual utilizando Kinect
Mapeamento de ambientes e processamento visual utilizando Kinect Mário Alberto Cecchi Raduan Bolsista PIBIC/UFRJ Orientador: Adriano Joaquim de Oliveira Cruz, PhD Laboratório de Inteligência Computacional
Visão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
DCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Aula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Criação de mosaico usadando o SURF e o matcher FLANN
Criação de mosaico usadando o SURF e o matcher FLANN Felipe Jordão Pinheiro de Andrade Universidade Federal do Maranhão, São Luis, BRA Abstract. O trabalho propoe uma metodologia para a criação de um mosaico
Processamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Combinação de Classificadores (fusão)
Combinação de Classificadores (fusão) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Sistemas com múltiplos classificadores Fusão por voto majoritário voto majoritário ponderado
Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Visão Robótica Imagem Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aluna: Luiza Dri Bagesteiro Orientador: Prof. Dr. Daniel Weingaertner Co-orientador:
Processamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
CLASSIFICAÇÃO MULTIESPECTRAIS
CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS Classificação em imagens multiespectrais Imagens multiespectrais Padrão (vetor) Espaço de atributos Classificação Classificação em imagens multiespectrais Imagens
Reconhecimento de Objetos Baseado em Visão Artificial
FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO Reconhecimento de Objetos Baseado em Visão Artificial André Filipe Morais Duarte Mestrado Integrado em Engenharia Eletrotécnica e de Computadores Orientador:
Métodos Não Paramétricos
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Métodos não Paramétricos Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Métodos Não Paramétricos Introduzir
PMR2560 Visão Computacional Conversão e Limiarização. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Conversão e Limiarização Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Conversão de imagens; Histograma; Limiarização. Imagem digital Uma imagem é uma matriz
CC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 13 K-Nearest Neighbor (KNN) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Classificação. Prof. Fabrício Olivetti de França Universidade Federal do ABC
Classificação Prof. Fabrício Olivetti de França Universidade Federal do ABC Classificação Quando queremos encontrar: f(x) = y C e C = {c1, c2, c3,, cn} Classificação Se um e-mail é spam ou não De qual
MouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
Extração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Relatório sobre os Resultados obtidos através do uso dos algoritmos SIFT e RANSAC para Reconstrução de um Objeto a partir de uma Nuvem de Pontos
Relatório sobre os Resultados obtidos através do uso dos algoritmos SIFT e RANSAC para Reconstrução de um Objeto a partir de uma Nuvem de Pontos Gustavo Moreira PUC-Rio, Departamento de Informática Rua
Universidade Federal de Sergipe Departamento de Matemática. Imagem* Profª. Maria Andrade. *Parte desta apresentação foi do Prof. Thales Vieira.
Universidade Federal de Sergipe Departamento de Matemática Imagem* Profª. Maria Andrade *Parte desta apresentação foi do Prof. Thales Vieira. 2016 O que é uma imagem digital? Imagem no universo físico
Otimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Tutorial básico de classificação em RapidMiner
Tutorial básico de classificação em RapidMiner Mineração de dados biológicos Ciências físicas e biomoleculares Neste tutorial, aprenderemos a utilizar as funcionalidades básicas para classificação em Rapidminer.
Aula 9. Prof. Adilson Gonzaga
Aula 9 Prof. Adilson Gonzaga Mapeamento Atribuir uma Instância a uma classe. Cada Instância é mapeada para um elemento do conjunto de Rótulos de Classe {p,n} p positivo n negativo Atribui uma Instância
Rastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Uma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Descritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Universidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira
Universidade Federal de Alagoas Instituto de Matemática Imagem Prof. Thales Vieira 2011 O que é uma imagem digital? Imagem no universo físico Imagem no universo matemático Representação de uma imagem Codificação
Representação e Descrição. Guillermo Cámara-Chávez
Representação e Descrição Guillermo Cámara-Chávez Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem Para o reconhecimento do objeto é necessário descrever as propriedades
Cálculo de volume de objetos utilizando câmeras RGB-D
Cálculo de volume de objetos utilizando câmeras RGB-D Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Bruno Alberto Soares OLIVEIRA 1,3 ; Marlon MARCON 2,3 1 Estudante de Engenharia de
CLASSIFICADORES ELEMENTARES -II
CLASSIFICADORES ELEMENTARES -II Estimando a densidade 2 A função densidade de probabilidade é um conceito fundamental em estatística Permite associar probabilidades a uma variável aleatória x Especificar
Hamming. Kohonen. LVQ. Counterpropagation. ART1. Retropropagação
Hamming. Kohonen. LVQ. Counterpropagation. ART1. Retropropagação 1. Um comerciante tem um armazém onde guarda diversas variedades de fruta e de legumes. Muitas vezes, a fruta e os legumes chegam ao armazém
Processamento De Imagem. Descritores de Cor
Processamento De Imagem Descritores de Cor Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs. Taxonomia Global A informação de cor
Classificação: Árvores de Decisão e k-nn. Eduardo Raul Hruschka
Classificação: Árvores de Decisão e k-nn Eduardo Raul Hruschka Árvores de Decisão Métodos para aproximar funções discretas, representadas por meio de uma árvore de decisão; Árvores de decisão podem ser
Casamento de padrões em imagens e vídeos usando características de imagens
Casamento de padrões em imagens e vídeos usando características de imagens Kassius Vinicius Sipolati Bezerra DCEL / CEUNES / UFES São Mateus, ES, Brazil Edilson de Aguiar DCEL / CEUNES / UFES São Mateus,
Anotador automático de placas de publicidade em vídeos esportivos
MAC0499 - Trabalho de Formatura Supervisionado Professor: Carlos Eduardo Ferreira Universidade de São Paulo Instituto de Matemática e Estatística Aluno: Ricardo Augusto Fernandes Orientador: Prof. Dr.
DETECÇÃO DE LINHA DO HORIZONTE EM IMAGENS DIGITAIS HORIZON LINE DETECTION IN DIGITAL IMAGES
DETECÇÃO DE LINHA DO HORIZONTE EM IMAGENS DIGITAIS HORIZON LINE DETECTION IN DIGITAL IMAGES BEUREN, Arlete Teresinha 1 ; FACON, Jacques 2 1 UTFPR, Santa Helena, Paraná, Brasil; 2 Pontifícia Universidade
Alex Torquato Souza Carneiro Ciência da Computação Universidade Ibirapuera - UNIb São Paulo - SP, Brasil
Interface Homem-Máquina para Movimentação Bidimensional de Objeto Através de Reconhecimento de Posturas Corporais por Visão Computacional Projeto Labirinto Alex Torquato Souza Carneiro Ciência da Computação
Scale-Invariant Feature Transform
Scale-Invariant Feature Transform Renato Madureira de Farias renatomdf@gmail.com Prof. Ricardo Marroquim Relatório para Introdução ao Processamento de Imagens (COS756) Universidade Federal do Rio de Janeiro,
Descritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
W. R. Silva Classificação de Mamografias pela densidade do tecido mamário
Classificação de Mamografias pela densidade do tecido mamário Welber Ribeiro da Silva Universidade Federal de Ouro Preto Campus Universitário, Ouro Preto MG Brazil 19 de Abril de 2012 Definição Câncer
SISTEMA DE RECONHECIMENTO BASEADO EM RANDOM FOREST PARA CARACTERES DE CAPTCHAS. Ademir Rafael Marques Guedes, Victor Luiz Guimarães
SISTEMA DE RECONHECIMENTO BASEADO EM RANDOM FOREST PARA CARACTERES DE CAPTCHAS Ademir Rafael Marques Guedes, Victor Luiz Guimarães Universidade Federal de Ouro Preto(UFOP) Departamento de Computação ABSTRACT
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Processamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 15 - Fluxo Ótico - parte I Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje fluxo ótico estimando movimentos em imagens 2 / 1 motivação para que serve?
Visão Computacional. Prof. Leandro Augusto Frata Fernandes TCC Introdução à Ciência da Computação (2012.
Visão Computacional Prof. Leandro Augusto Frata Fernandes laffernandes@ic.uff.br TCC-00.169 Introdução à Ciência da Computação (2012.1) Visão Humana Responsável por cerca de 75% de nossa percepção O ato
RECONHECIMENTO DE PADRÕES(MIM) Faculdade de Ciências da Universidade do Porto Hugo Pedro Proença (DI-UBI), 10/04/2010
RECONHECIMENTO DE PADRÕES(MIM) Faculdade de Ciências da Universidade do Porto Hugo Pedro Proença (DI-UBI), 10/04/2010 Página da Disciplina http://www.di.ubi.pt/~hugomcp/pr Slides Fichas de Exercícios Conjuntos
Simulação Gráfica. Segmentação de Imagens Digitais. Julio C. S. Jacques Junior
Simulação Gráfica Segmentação de Imagens Digitais Julio C. S. Jacques Junior Segmentação Subdivide uma imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada
Prof. Fernando V. Paulovich 3 de agosto de SCC Computação Gráca
Dispositivos de Saída e SCC0250 - Computação Gráca Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade
Reconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
Aprendizado de Máquinas
Aprendizado de Máquinas Objetivo A área de aprendizado de máquina preocupa-se em construir programas que automaticamente melhorem seu desempenho com a experiência. Conceito AM estuda métodos computacionais
Processamento Digital de Imagens SER Prática de Laboratório
Processamento Digital de Imagens SER 413-4 - Prática de Laboratório Bruna Virginia Neves João Arthur Pompeu Pavanelli Vanessa Camphora Relatório Parcial da prática de laboratório da disciplina de Processamento
Identificação de Produtos por Imagem Utilizando o Algoritmo SURF
Identificação de Produtos por Imagem Utilizando o Algoritmo SURF Um Comparativo Entre Redes Perceptron Multicamadas e Máquinas de Vetor de Suporte Guilherme Defreitas Juraszek, Alexandre Gonçalves Silva
Reconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
O reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
7 Formas Quadráticas
Nova School of Business and Economics Apontamentos Álgebra Linear 1 Definição Forma quadrática em variáveis Função polinomial, de grau, cuja expressão tem apenas termos de grau. Ex. 1: é uma forma quadrática
Trabalho Final de Sistemas Inteligentes
Trabalho Final de Sistemas Inteligentes Rodrigo Kanehisa 2 1 Departamento de Informática Universidade Federal do Maranhão (UFMA) Av. dos Portugueses, 1966 Bacanga - CEP 65080-805 São Luís MA Brasil 2 Universidade
A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP
A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP Lúcia Sousa Escola Superior de Tecnologia e Gestão, Instituto Politécnico de Viseu Fernanda Sousa Faculdade de Engenharia
Capítulo 6 Extração de Características e Reconhecimento de Padrões e Objetos. Computação Gráfica - Vol. 2 - Cap. 6
Capítulo 6 Extração de Características e Reconhecimento de Padrões e Objetos 1 Capítulo 6 6.1. Segmentação 6.2. Tipos de características 6.3. Descritores de forma 6.4. Reconhecimento de Padrões em Imagens
Exemplos. Propagação (Reconstrução)
Processamento de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) Propagação (Reconstrução) lgoritmos Baseados
Universidade Federal do Paraná Departamento de Informática Ciência da Computação e Informática Biomédica. Tópicos em Computação
Universidade Federal do Paraná Departamento de Informática Ciência da Computação e Informática Biomédica Tópicos em Computação Robótica Competitiva e Visão Computacional Processamento de Imagens Prof.
5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
Paradigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
INF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Modelagem de Ambientes para Robô Móvel baseado em Rede Neural Hierárquica e Visão Omnidirecional
Modelagem de Ambientes para Robô Móvel baseado em Rede Neural Hierárquica e Visão Omnidirecional LUCIANA L. SILVA 1, HENRIQUE VIAN 1, MARIO L. TRONCO 1, ARTHUR J. V. PORTO 2 1 Laboratório de Automação
Inteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
![Inteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]](/thumbs/73/68656289.jpg "Inteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]")
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Construção de Mosaicos de Imagens Aéreas Agrícolas e Comparação com Outras Metodologias
Construção de Mosaicos de Imagens Aéreas Agrícolas e Comparação com Outras Metodologias André de Souza Tarallo 1, Francisco Assis da Silva 1, Alan Kazuo Hiraga 2, Maria Stela Veludo de Paiva 1, Lúcio André
Textura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
Estudo comparativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas
Estudo parativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas Pedro Vinícius Macêdo de Araújo, Geraldo Braz Junior Curso de Ciência da Computação Universidade Federal do Maranhão
F- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Fazendo máquinas enxergarem com OpenCV. TCHÊLINUX 2017 Felipe Aguiar Corrêa
Fazendo máquinas enxergarem com OpenCV TCHÊLINUX 2017 Felipe Aguiar Corrêa Quem é esse cara aí? UFPEL Ciência da Computação Visão Computacional Rastreamento de Pedestres Visão Computacional Sub-área da
scikit-learn: Aprendizado de máquina 101 com Python
scikit-learn: Aprendizado de máquina 101 com Python Luciana Fujii Campus Party BH 2016 1 / 30 Introdução Aprendizado de máquina Aprendizado de máquina é o campo da ciência da computação que dá aos computadores
Reconhecimento de pele em imagens digitais utilizando redes neurais artificiais
Reconhecimento de pele em imagens digitais utilizando redes neurais artificiais Igor Leonardo Oliveira Bastos Instituto de Matemática Universidade Federal da Bahia - UFBA Feira de Santana, Brasil igorcrexito@gmail.com
Mosaico Automático de Imagens Agrícolas através da Transformada SIFT
Mosaico Automático de Imagens Agrícolas através da Transformada SIFT André de Souza Tarallo 1 ; Roberta Vendramini Gonçalves 2 ; Maria Stela Veludo de Paiva 1 ; Lúcio André de Castro Jorge 3 1- Escola
VISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Roteiro para calibração automática de câmera e laser
Universidade Federal de Minas Gerais - UFMG Escola de Engenharia Programa de Pós-Graduação em Engenharia Elétrica - PPGEE Disciplina: Aluna: Orientador: Projeto de Tese I Natália Cosse Batista Guilherme
Exemplo do jogo dos fósforos Terça-feira, 9 de maio. Exemplo para o Problema do Corpo de Bombeiros. Exemplo: Localidade do Corpo de Bombeiros
15.053 Terça-feira, 9 de maio Busca Heurística: métodos para resolver problemas de otimização difíceis Distribuir: Anotações da Aula Veja a introdução ao trabalho Very Large Scale Neighborhood Search (está
Extração de atributos usando o método LBP - Local Binary Pattern
Extração de atributos usando o método LBP - Local Binary Pattern Lia Nara Balta Quinta. 2 de maio de 2006 1 Antecedentes e Justificativa O Brasil possui, atualmente, um grande rebanho bovino, porém em
Segmentação para Identificação de Defeitos em Superfícies Metálicas: Uma Comparação de Técnicas de Redes Neurais Artificiais e Sistemas Fuzzy
Segmentação para Identificação de Defeitos em Superfícies Metálicas: Uma Comparação de Técnicas de Redes Neurais Artificiais e Sistemas Fuzzy Diego Rafael Moraes Universidade de São Paulo (São Carlos)
Reconhecimento de linguagem de sinais: aplicação em LIBRAS
Reconhecimento de linguagem de sinais: aplicação em LIBRAS Ruberth A. A. Barros 1, Aitan V. Pontes 1, João D. S. Almeida 1 1 Núcleo de Computação Aplicada Universidade Federal Maranhão (UFMA) Caixa Postal
Classificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Análise de Clusters. Aplicações da formação de Grupos (Clustering)
Análise de Clusters Aplicações da formação de Grupos (Clustering) Ver e analisar vastas quantidades de dados biológicos como um todo pode ser difícil É mais fácil interpretar os dados se forem divididos
Aprendizagem de Máquina
Aprendizagem de Máquina Avaliação de Paradigmas Alessandro L. Koerich Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Color Eyes Detector. Duarte Petiz. DCC/FCUP
Color Eyes Detector Duarte Petiz DCC/FCUP up201204625@fc.up.pt Resumo Este relatório descreve a implementação da aplicação desenvolvida Color Eyes Detector bem como mostra os resultados finais da execução
Identificação de objetos móveis com uso de imagens aéreas obtidas por VANT. Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1
Identificação de objetos móveis com uso de imagens aéreas obtidas por VANT Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1 1 Instituto de Estudos Avançados IEAv/DCTA São José
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
3 Técnicas de agrupamento
3 Técnicas de agrupamento Com o advento da internet a quantidade de informação disponível aumentou consideravelmente e com isso, tornou-se necessário uma forma automática de organizar e classificar esta
CORRESPONDÊNCIA POR CARACTERÍSTICAS EM IMAGENS PANORÂMICAS TERRESTRES
Presidente Prudente - SP, 24-26 de julho de 2017 p. 258-265 CORRESPONDÊNCIA POR CARACTERÍSTICAS EM IMAGENS PANORÂMICAS TERRESTRES LETÍCIA FERRARI CASTANHEIRO 1 ANTONIO MARIA GARCIA TOMMASELLI 2 MARIANA
Casamento de expressões matemáticas baseado em casamento de grafos
Casamento de expressões matemáticas baseado em casamento de grafos WILLIAN Y. HONDA, NINA S. T. HIRATA (ORIENTADORA) Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade
Análise de Desempenho de Algoritmos Detectores de Keypoints para um Sistema de Navegação Visual de Robôs Baseados em Smartphones
Análise de Desempenho de Algoritmos Detectores de Keypoints para um Sistema de Navegação Visual de Robôs Baseados em Smartphones Bruno A. S. Santana, Rosiery da S. Maia, Wilfredo B. Figuerola, Anderson
Reconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução