kontakt    mapa strony  
    polski   english

Rozpoznawanie obrazów

Zespół:

 

Minimalno-odległościowe metody rozpoznawania obrazów (dr hab. inż. Adam Jóźwik)

Najważniejsze wyniki:

  • metoda wyznaczania obszarów klas i jej wykorzystanie do konstrukcji klasyfikatorów,
  • metoda redukcji zbiorów odniesienia polegająca na wyznaczaniu obiektów wzajemnie najbliższych dla reguły najbliższego sąsiada,
  • metoda kondensacji zbioru odniesienia polegająca na wyznaczaniu obiektów wzajemnie najdalszych dla reguły najbliższego sąsiada.

Zastosowania:

  • spektroskopia elektronowa (współpraca z Instytutem Chemii Fizycznej PAN),
  • analiza danych biomedycznych, zwłaszcza dotyczących układu oddechowego (współpraca z Instytutem Medycyny Doświadczalnej i Klinicznej PAN).

Wybrane publikacje:

  • Sokołowska B., Jóźwik A., Pokorski M., „A fuzzy-classifier system to distinguish respiratory pattern envolving after diaphragm paralysis in cat”, Japanese Journal of Physiology, vol. 53, str. 301-307, 2003,
  • Lesiak B. and Jóźwik A.: „Quantitative analysis of AuPd alloys from the shape of XPS spectra by the fuzzy rule”, Surface and Interface Analysis, vol. 36, str. 793-797, 2004,
  • Lesiak B., Zemek J., Houdkova J., Jiricek P. and Jóźwik A.: „XPS ans XAES of polyethylenes aided by line shape analysis: the effect of electron irradiation”, Polymer Degragation and Stability 94, str. 1714-1721, Elsevier, 2009.

 

Konstrukcja klasyfikatorów minimalnoodległościowych o strukturze sieciowej (dr hab. Szymon Grabowski)

Najważniejsze wyniki:

  • szybki deterministyczny algorytm szukania najbliższego sąsiada w metryce miejskiej, praktyczny przy niskiej wymiarowości przestrzeni cech,
  • badania odmian reguły k scentrowanych sąsiadów (k nearest centroid neighbors, k-NCN), bazujące na koncepcji symetrycznego sąsiedztwa, k-NSN (k Near Surrounding Neighbors, algorytm autorski), wersje przybliżone k-NSN i klasyfikatory zespołowe tego typu,
  • klasyfikatory wieloetapowe (np. Telescope Ensembles of Reduced Sets, TERS) cechujące się korzystną zależnością między jakością a szybkością klasyfikacji,
  • klasyfikatory równoległe, m.in. voting k-NN (prosta idea, empiryczna poprawa jakości względem k-NN za cenę niewielkiego spowolnienia) i pokrewne,
  • warianty algorytmów redukcji zbiorów odniesienia oraz (w przypadku algorytmów redukcji Harta i Tomeka) efektywne implementacje procedury generacji zbioru zredukowanego, w teorii (pesymistyczna złożoność obliczeniowa) lub w praktyce.

Zastosowania:

  • analiza patomorfologicznych obrazów mikroskopowych.

Wybrane publikacje:

  • Grabowski Sz., Jóźwik A., Chen C.H., "Nearest neighbor decision rule for pixel classification in remote sensing", rozdział monografii „Frontiers of Remote Sensing Info Processing”, ed. S. Patt, World Scientific Publishing Co. Pte. Ltd., Singapur, lipiec 2003,
  • Grabowski Sz., "Telescope ensembles of reduced sets", III Konferencja „Komputerowe Systemy Rozpoznawania” (KOSYR 2003), Miłków k/Karpacza, maj 2003, str. 391–398,
  • Grabowski Sz., "Reducing the Computational Demands for Nearest Centroid Neighborhood Classifiers", Proceedings of the 7th International Conference on Artificial Intelligence and Soft Computing (ICAISC 2004), Zakopane, czerwiec 2004, Springer-Verlag LNCS 3070, str. 568–573.
  

Algorytmy badania ścisłej rozdzielności liniowej dwóch zbiorów (dr inż. Łukasz Sturgulewski)

Najważniejsze wyniki:

  • algorytmy badania i wyznaczania rozdzielności liniowej ścisłej oraz rozdzielności ścisłej poprawionej, na bazie istniejącego rekurencyjnego algorytmu badania rozdzielności liniowej słabej, dla zbiorów dwuklasowych.

Wybrane publikacje:

  • Sierszeń A., Sturgulewski Ł., "Kondensacja zbioru  odniesienia  metodą  punktów wzajemnie najdalszych jako system sterowania pomiędzy szybkością i jakością klasyfikacji", Automatyka, AGH, Kraków, Vol. 10, No. 3, str. 447–454, 2006,
  • Sturgulewski Ł., "Algorithms for investigation of strict linear separability of two sets", Elektryka, Zeszyty Naukowe Politechniki Łódzkiej, Vol. 115, No. 1024, str. 139–146, 2008.
 

Metody kondensacji i redukcji zbioru odniesienia dla reguł decyzyjnych opartych na funkcji odległości
(dr inż. Artur Sierszeń)

Najważniejsze wyniki:

  • kondensacja zbioru odniesienia oparta na metodzie znajdowania pary punktów wzajemnie najdalszych,
  • modyfikacja algorytmu Changa,
  • kaskadowy i bąbelkowy algorytm kondensacji zbioru odniesienia.

Wybrane publikacje:

  • Sierszeń A., "Reduction of reference set with the method of cutting hyperplanes", Journal Of Medical Informatics & Technologies, ISSN: 1642-6037, vol. 13, str. 215-220, 2009,
  • Sierszeń A., "Reduction of large reference sets with modified Chang's algorithm", Automatyka, ISSN: 1429-3447, str. 1009-1020, 2009,
  • Sierszeń A., "Bubble algorithm for the reduction of reference set", Journal Of Medical Informatics & Technologies, ISSN: 1642-6037, vol. 16, str. 117-124, 2010.
 

Metody silnej redukcji i edycji zbioru odniesienia dla reguły typu najbliższy sąsiad (dr Marcin Raniszewski)

Najważniejsze wyniki:

  • algorytmy redukcji, edycji i kondensacji zbioru odniesienia z wykorzystaniem miary reprezentatywności dla reguły najbliższego sąsiada.

Wybrane publikacje:

  • Raniszewski M., "The Edited Nearest Neighbor Rule Based on the Reduced Reference Set and the Consistency Criterion", Biocybernetics and Biomedical Engineering, Vol. 30(1), str. 31-40, 2010,
  • Raniszewski M., "Prototype Extraction of a Single-Class Area for the Condensed 1-NN Rule", Computer Recognition Systems 4, Advances in Intelligent and Soft Computing, Vol. 95, Springer Berlin/Heidelberg, str. 119-125, 2011.

 

Szybkie wyszukiwanie najbliższych sąsiadów metodami przybliżonymi i probabilistycznymi (mgr inż. Aleksander Cisłak, dr hab. Szymon Grabowski)

Abstract:

Spatial data structures, for vector or metric spaces, are a well-known means to speed-up proximity queries. One of the common uses of the found neighbors of the query object is in classification methods, e.g., the famous k-nearest neighbors algorithm. Still, most experimental works focus on providing attractive tradeoffs between neighbor search times and the neighborhood quality, but they ignore the impact of such tradeoffs on the classification accuracy.
In this paper, we explore a few simple approximate and probabilistic variants of two popular spatial data structures, the k-d tree and the ball tree, with k-NN results on real data sets. The main difference between these two structures is the location of input data — in all nodes (k-d tree) or in the leaves (ball tree) — and for this reason they act as good representatives of other spatial structures. We show that in several cases significant speedups compared to the use of such structures in the exact k-NN classification are possible, with a moderate penalty in accuracy. We conclude that the usage of the k-d tree is a more promising approach.

Publikacja:

  • Cisłak A., Grabowski Sz., "Experimental evaluation of selected tree structures for exact and approximate k-nearest neighbor classification", FedCSIS 2014, str. 93-100.

powrót do góry


Redakcja:
Marcin Raniszewski
Łukasz Sturgulewski
Artur Sierszeń

Ostatnia modyfikacja:
2015-10-29 14:22:34, Marcin Raniszewski