Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Katutappelumatikkaa Taiteilijoille ja Insinööre...

mikko
September 04, 2015

Katutappelumatikkaa Taiteilijoille ja Insinööreille

My Friday presentation at Taiste. Code can be found at https://github.com/mharju/stader

mikko

September 04, 2015
Tweet

More Decks by mikko

Other Decks in Programming

Transcript

  1. Asioita voi lähestyä monelta kantilta Ongelmanratkaisussa ei välttämättä tarvita aina

    eleganteimpia teorioita tai terävimpiä työkaluja. Tautologisesti ilmaistuna RATKAISU ONGELMAAN RATKAISEE ONGELMAN Jos voit kuvitella asian, joka vie sinua eteenpäin, voit myös kokeilla rohkeasti käyttää sitä. Mieti eleganssia myöhemmin. Roiskimallakin voit onnistua!
  2. Hyppy tuntemattomaan – Checklist: Mitä tiedän ongelmasta? Liittyykö siihen jotain

    jo tietämääni ja voinko käyttää sitä hyväkseni? Voinko kuvitella yksinkertaisemman ongelman, joka mahdollisesti voisi liittyä ratkaisuun ja johon ehkä jo tiedän vastauksen? ALOITA PIENISTÄ ONGELMISTA. SIIRRY VASTA SITTEN SUUREMPIIN.
  3. 1000 pisteen yhdistäminen: Tehtävä ihmiselle vai tietokoneellle? “Eihän kukaan jaksa

    käyttää tuntikaupalla aikaansa tällaisten tuherrusten tekemiseen” -Mikko Harju, 2015 Tietokoneet on keksitty juuri tätä varten. Ihminen voi keskittyä luomaan taidetta, kuten kuvassa.
  4. Ensin etsitään pisteet Tietokonekuva muodostuu pikseleistä. Jokainen pikseli muodostuu kolmesta

    kahdeksan bitin osasta: Punaisesta (R), Vihreästä (G), Sinisestä (B). Ensiksi helpotetaan ongelmaa tekemällä kuvasta kaksivärinen: Musta tai valkoinen.
  5. Pisteiden metsästys jatkuu Mustavalkoinen kuva käydään pikseli kerrallaan läpi ja

    tarkastellaan paikallisesti, josko pikselin ympäristö näyttäisi täytetyltä ympyrältä. Tarvitsemme tähän pari funktiota. Toinen kertoo ollaanko ympyrän sisällä ja toinen kuinka lähellä tietyn pikselin arvo on keskipisteen arvoa:
  6. Paremmuuden määrittely • Kun ollaan oletetun ympyrän sisällä – odotetaan

    erotuksen olevan lähellä nollaa, sen ulkopuolella lähellä ykköstä. Sitten vaan etsitään koko kuvasta pienimmän pistemäärän saavat kohdat, ja todetaan niiden edustavan kuvassa olevia pisteitä!
  7. Numeron tunnistaminen • Tähän voisi käyttää helposti esim. Neuroverkkoja tai

    Support Vector Machine (SVM)-oppimisalgoritmeja • We won’t have any of that! Otetaan siis muutama hyvä esimerkkinumero kuvista, ja lasketaan ihan raa’asti vaan etäisyys “ideaalinumeron” ja meidän kandidaatin välillä. • Vaikeinta on löytää pisteen ympäristöstä se paras kandidaatti. Etsitään siis kaikkialta ympäriltä ja otetaan pienimmän etäisyyden ideaaliin saavuttava kandidaatti voittajaksi.