RECONOCIMIENTO DE PATRONES

Enunciados de la Tarea 1, Tarea 2 y Tarea 3.

Tarea 1 (ENTREGA: Viernes 31/03/17 a las 6:30pm)

Objetivo

Diseñar un reconocedor automático de cinco caracteres en diferentes fonts.

Descripción

En estas dos imágenes (Training1 y Training2) se encuentran representaciones binarias de los caracteres @, $, *, #, +. Extraiga características de estos caracteres de tal forma que se pueda diseñar un clasificador que determine de manera automática cuál de ellos es. La idea es que Ud. diseñe el clasificador usando sólo estas dos imágenes, y que pruebe el desempeño en esta imágen de prueba Testing.

Ud. deberá entregar un informe de dos a 4 páginas en formato pdf en el que explique cómo realizó la extracción de características y la clasificación. Deberá incluir un gráfico del espacio de características y/o histogramas, en los que se aprecie la separación de las clases. Además deberá incluir la matriz de confusión, así como indicar el desempeño del clasificador, es decir qué porcentaje de letras se clasificaron correctamente. En un anexo deberá incluir el código del programa que utilizó.

No está permitido usar clasificadores de Balu, ni de otros paquetes.

[ Enviar Tarea ]

 


Tarea 2 

(ENTREGA: Miércoles 03/05/17 a las 6:30pm)

Objetivo

Estudiar y analizar técnicas de selección de características.

 

Descripción

En esta tarea trabajaremos con la misma base de datos de la tarea: Labeled Faces in the Wild (LFW) y se puede desargar aquí. La base de datos cuenta con 143 sujetos y cada uno tiene más de 10 fotos frontales de su cara. En esta tarea se usarán las imágenes de los primeros 50 sujetos para la selección de características. En esta etapa se deberá extraer LBP, LBP-ri y Haralick en imágenes particionadas (4x4 por ejemplo). Usando este conjunto de datos se deberá seleccionar un máximo de 75 características, para ellos se deberá probar SFS, alguna selección o transformación tipo PCA vistas en clase, y alguna selección no vista en clase (de complejidad similar). El entrenamiento del clasificador se realizará usando las 75 características seleccionadas extraidas en las 10 primeras imágenes de los sujetos 51, 52, ... 120. El testing se realizará con la imagen 11 de los sujetos 51, 52, ... 120. Como clasificador se deberá usar KNN con el número de vecinos que estime conveniente. Se debe reportar el porcentaje de éxito en la clasificación en las 70 imágenes de testing. Está permitido usar Balu para las funciones vistas en clase.

 

 

 

Enviar Tarea ]

 

 


 

Tarea 3 (ENTREGA: Viernes 26/05/17 6:30pm)

Objetivo

Descripción

[ Enviar Tarea ]