わかりやすいパターン認識１章 / Pattern Recognition Manual Easy to understand SS 01

Transcript

1. わかりやすいパターン認識 第⼀章 パターン認識とは︖

2. パターン認識の定義 観測されたパターンを予め定められた複数 の概念（class）のうちの⼀つに対応させる 処理

3. パターン認識の事例 • ⼿書きのアルファベットを２６クラスに対応させる • ⾳声データを五⼗⾳や単語に対応させる（⾳声認識） • ⼼電図波形から⼼臓の異常・正常状態を判定 構造化データ、⾮構造化データ（画像・⾃然⾔語・⾳声）に関わらず様々な分 野で「パターン認識」はある。

4. パターン認識の⼀般的な処理の流れ 1. 前処理 1. ノイズ除去 2. 正規化 2. 特徴抽出 1.

   本質的な特徴のみ抽出 3. 識別 1. 辞書と照合 識別 認識

5. 特徴ベクトルと特徴空間 • d個の特徴︓d次元特徴ベクトルx • クラス総数c︓クラス名ωc • 特徴ベクトルのはる空間＝特徴空間 • 特徴空間じょうで、特徴ベクトルは、 クラスごとにかたまっているはずで、

   それらの塊＝クラスタ

6. ⼿書き数字認識の例 （5x5メッシュ2値画像） • 最もシンプルには…225パターン • 中には数字に関係ないものもある – リジェクト領域 • リジェクト領域は２種類

   – 「どこにも属さない」と「識別困難」 • 辞書作成は必須。辞書作成⾃体が、識別 処理に他ならないからである

7. ⼿書き数字認識の例 （5x5メッシュ2値画像） • 全パターンは⾮現実的、代表パターンだけを記憶（≒識別辞 書に記録）する⽅法がある。 • 代表パターン＝プロトタイプ • 各特徴ベクトルが、どのプロトタイプに最も近いかで判定す ることが多い

   （Nearest Neighbor rule︓NN法/最近傍決定則） • より⼀般化すると、k-NN法。最も近いk個のプロトタイプを 選び、k個のうち最も多くが属しているクラスを判定結果とす るやりかた。

8. 特徴空間の分割〜プロトタイプを設定する • 全数記憶⽅式 – 現実のデータをサンプリングし、全体をよく表すパ ターンを（識別のための代表パターンとしての）プ ロトタイプとする⽅式 – 【注】サンプリング結果はすべてを表すものではな い

   • プロトタイプ⽅式→k-meansにつながる – 各クラスに対して、⼀つのパターンを選ぶという発 想 – クラスの重⼼位置を選ぶというのは、⾃然＝k- means – クラスごとの代表パターン間の垂直⼆等分線（多次 元空間であれば、超平⾯）を決定境界という

9. 終わり