¿Te interesa la visión por computador? ¿Te gustaría conocer qué métodos puedes utilizar para detectar y reconocer objetos en una imagen? En este curso te introducirás en los principios básicos de cualquier sistema automático de detección y reconocimiento de objetos en imágenes. A lo largo del curso analizaremos diferentes métodos de representación y clasificación que te permitirán abordar casos de aplicación de complejidad creciente. El contenido del curso se estructura a partir de un esquema básico de detección y reconocimiento de objetos que sirve de guía para ir introduciendo tanto los diferentes métodos de extracción de características y representación de la imagen como diferentes alternativas para clasificar una imagen y para localizar todas las instancias de un objeto en la imagen. El temario incluye conceptos básicos de formación de la imagen, la convolución y su aplicación a la detección de contornos, características de regiones, descriptores de imagen (Local Binary Pattern, Histogram of Oriented Gradients, características de Haar) y varios métodos de clasificación (clasificador lineal, Support Vector Machine, Adaboost, Random Forest, Convolutional Neural Network). Finalizar el curso te permitirá: • Diseñar, a partir de un esquema básico común, soluciones adaptadas para diferentes problemas de detección y reconocimiento de objetos en una imagen, • Conocer las principales técnicas para la descripción y clasificación de una imagen, • Conocer las herramientas que permiten el desarrollo de aplicaciones reales de detección y reconocimiento de objetos, para que seas capaz de desarrollar tus propios sistemas de detección y reconocimiento de objetos en múltiples aplicaciones. El curso está orientado tanto a estudiantes universitarios de algún grado relacionado con la informática, la ingeniería o las matemáticas, como a otros estudiantes con conocimientos de programación, interesados en aprender cómo utilizar técnicas de visión por computador para extraer información de las imágenes. INICIO: 1 de Diciembre de 2015
L3.5.b. Evaluación de la clasificación por ventana (II)
Loading...
来自 Universitat Autònoma de Barcelona 的课程
Detección de objetos
248 个评分
浏览相关视频
您将在 Coursera 发现全球最优质的课程。以下是为我们为您提供的部分个性化建议
从本节课中
DETECCIÓN DE OBJETOS
En esta semana nos centraremos primero en la fase de detección de posibles candidatos en la imagen. El conjunto de candidatos que se detecten serán analizados por el clasificador que explicamos en la semana 2 para determinar la presencia del objeto.
Además, explicaremos también los pasos necesarios para poder preparar correctamente todos los datos que se utilizan en el aprendizaje y evaluación del detector. Finalmente, veremos cómo podemos evaluar de forma objetiva el rendimiento del detector.
与讲师见面
Antonio López PeñaTitular de Universidad
Departamento de Ciencias de la Computación
Ernest ValvenyCatedrático Escuela Universitaria
Departamento de Ciencias de la Computación
Maria VanrellProfesora Titular de Universidad
Departamento de Ciencias de la Computación
Hola, en este video volvemos a tratar
de cómo evaluar el rendimiento de un clasificador,
cuando de dedica a clasificar ventanas candidatas dentro de un detector.
Partimos de que ya hemos aprendido a construir la matriz de confusión
y hemos visto las medidas de exactitud y precisión.
Pues bien ahora en este video vamos a introducir dos medidas más,
la sensibilidad y la especificidad y seguidamente explicaremos cómo
construir las curvas ROC, que nos informarán
sobre el comportamiento del clasificador en función de sus parámetros.
Al igual que en el video anterior dentro de este esquema general de detección
de objetos, nos centraremos exclusivamente en los resultados del clasificador.
Por tanto a partir de los resultados del clasificador construimos la matriz
de confusión y definimos dos medidas generales sobre el clasificador.
Hoy añadiremos dos medidas nuevas y a partir de estas construiremos la curva
ROC, que nos ayudará a decidir los mejores parámetros para nuestro clasificador.
Por tanto una vez que hemos recordado lo que hicimos en el último video,
el índice para este video sea el siguiente, la sensibilidad
y la relacionaremos con el True Positive Rate, para el que mantendremos su nombre
en inglés y la especificidad la relacionaremos con False Positive Rate.
La sensibilidad mide la eficiencia en la clasificación de todos los elementos que
son de la clase.
Se calcula cuantitativamente como el cociente entre los reales positivos
partido por la suma del total de instancias reales que tenemos en la clase.
Por tanto analiza la primera fila de la matriz de confusión,
que para el caso del clasificador de personas,
como el que trabajamos en el video anterior corresponde al siguiente campo.
Personas bien clasificadas, que es un 9 corresponden a la zona de nivel
gráfico partido por la suma de personas que tenemos, que es un 9 + 10,
estas últimas son las que aparecen en la zona violeta del gráfico.
La sensibilidad en este caso será de 0.47,
que no llega al 0.5, puesto que el número de personas bien clasificadas
es menor que el número de personas que han quedado sin clasificar como tales.
Especificidad igual que la sensibilidad evalúan la eficiencia en la clasificación,
pero en la clase complementaria.
Es decir la eficiencia en la clasificación de los elementos que no son de la clase.
se calcula cuantitativamente como el cociente entre los reales negativos
partido por la suma del total de todas las instancias reales que tenemos
en la otra clase.
Por tanto analiza la segunda fila de la matriz de confusión,
que para el caso del clasificador de personas corresponde al siguiente cálculo.
Elementos que no son personas, y que han sido bien clasificados como
no personas son 15, corresponden a la zona azul del gráfico,
partido por la zona total de elementos que no son personas que son 10 +
15, y estas 10 corresponden a la zona naranja del gráfico.
La sensibilidad en este caso es de 0,6,
que es mayor que 0.5, y por tanto nos está indicando que el número
de no personas bien clasificadas como no personas es mayor que las
no personas que han sido incorrectamente clasificadas como personas.
Antes de continuar queremos relacionar las medidas que acabamos de definir con dos
conceptos que son muy utilizados en la literatura,
y para los cuales mantendremos los términos en inglés.
se tratan del True Positive Rate,
o tasa de reales positivos que coincide con la medida de la sensibilidad, o tasa
de falsos positivos cuyo valor corresponde con el valor de 1 menos de especificidad.
Volveremos a estos conceptos un poco más adelante.
Como resumen de las medidas sobre la matriz de confusión podemos decir que la
diagonal de la matriz de confusión se relaciona con la exactitud,
y la primera columna de la matriz servía para el calculo de la precisión.
Y ahora en este video acabamos de ver dos medidas nuevas,
la sensibilidad que se calcula sobre la primera fila de la matriz de confusión,
y la especificidad que se calcula sobre la segunda fila de la matriz de confusión.
Para reforzar estos conceptos,
os propongo como ejercicios adicionales que calculéis la sensibilidad
y la especificidad de los resultados de los siguientes clasificadores.
Son los mismos resultados con los que ya trabajamos en el video anterior.
Las matrices de confusión, la exactitud y la precisión resultante fueron estas.
Solución correspondiente al cálculo de la sensibilidad y la especificidad
os podéis encontrar en esta diapositiva.
Como comentario en los resultados obtenidos
queremos prestar una especial atención a 3 casos extremos.
El clasificador 3 corresponde a un clasificador ideal,
sensibilidad igual a 1 y especificidad igual a 1.
El clasificador 4 correspondería a un clasificador aleatorio con sensibilidad 0
y especificidad 0, podríamos decir que corresponde a la clasificación inversa.
Y finalmente el clasificador 6 que tambien corresponde a un clasificador
aleatorio con sensibilidad 1 y especificidad 0,
en el que todo ha sido clasificado como persona.
Llegados a este punto, la siguiente pregunta es,
¿cómo usar el análisis de estos resultados para mejorar nuestro clasificador?
Cualquier clasificador presenta siempre algún parámetro que se relaciona con el
umbral que va a determinar la desición entre ser o no ser de la clase.
Si suponemos la frontera entre pertenecer o no a la clase persona podemos
imaginar una situación como la siguiente, en verde los elementos que pertenecen a la
clase persona, y en rojo los elementos que pertenecen a la clase no persona.
La variación de un parámetro permite aproximar la frontera de decisión
hacia la clase persona.
En este caso aumentamos la especificidad y disminuimos la sensibilidad,
en cambio si alejamos la frontera de la decisión de la clase persona disminuiremos
la especificidad y aumentaremos la sensibilidad.
Cada umbral determinará pues un clasificador diferente.
Por tanto la variación de estos parámetros nos determinará una
familia de clasificadores cuyos resultados pueden ser estudiados globalmente.
Antes de definir el concepto de curva ROC, os propongo que como ejercicio adicional,
y si queréis calcula las medidas de sensibilidad y especificidad
de las siguientes familias de clasificadores.
Y esto clasificadores la diferencia está en su radio,
de esta manera estamos ilustrando el concepto de la variación del
clasificador a partir de la variación de un umbral en la decisión.
Usamos las matrices de confusión,
y solo falta que calculéis la sensibilidad y la especificidad.
[AUDIO_EN_BLANCO] Y aquí tenemos los
resultados con las medidas de sensibilidad y de especificidad para cada clasificador.
A partir de estas medidas se puede construir una representación que describe
el comportamiento de un clasificador de manera global, es la curva ROC.
Permite representar el comportamiento de la clasificación
en función del umbral de discriminación.
En el eje de la y se representa la sensibilidad y en el eje de
la x se representa uno menos la especificidad.
O de otra manera el True Positive Rate
en el eje y y el False Positive Rate en el eje x.
Así pues para cada clasificador se puede construir una curva que una 2
puntos representados dentro de este espacio para cada uno de los umbrales.
Los parametros ideales para un clasificador serían aquellos que se
colocaran en el punto 1, 0 de las partes, que corresponde a un
True Positive Rate igual a 1 y un False Positive Rate igual a 0.
Para ilustrar la construcción de esta gráfica tomaremos como ejemplo los
clasificadores del ejercicio anterior.
Para cada uno de ellos ya hemos construido la matriz de confusión
y las medidas de sensibilidad y especificidad.
Se debe calcular 1 menos la especificidad que es lo que irá a la curva ROC.
Para cada clasificador graficaremos un punto.
Para el clasificador 1 representaremos el punto 0, 0.35.
Para el clasificador 2 tendremos el punto 0, 0.45.
Para el clasificador 3 tendremos el 0, 0.7.
Para el 4 0.04, 0.85.
Para el 5 0.16, 0.9,
y finalmente para el clasificador 6 tendremos el punto 0.68, 1.
Uniendo todos estos puntos hemos construido la curva ROC, que nos
permite ver que el mejor clasificador para esta familia se encontraría entre los
umbrales del clasificador que van entre el clasificador 4 y el clasificador 5,
que son aquellos que corresponden a la menor distancia con el clasificador ideal,
y está en el punto 0, 1.
Para acabar podemos hacer el siguiente resumen,
hemos visto que la medida de sensibilidad que nos da la eficiencia del clasificador
para su clase y la especificidad que nos da la eficiencia para el complementario,
para la clase complementaria.
Hemos visto su relación con dos razones muy comunes
que es el True Positive Rate y el False Positive Rate,
y hemos definido y practicado con el concepto de la curva ROC,
que nos permite analizar el clasificador en función de su umbral de discriminación.
Y esto es todo,
hasta aquí este segundo vídeo sobre relación de rendimiento del clasificador.
