Örüntü Tanıma

Örüntü Tanıma Nedir?

Örüntü tanıma, temel özelliklere veya düzenliliklere dayalı bilgisayar algoritmalarını kullanarak girdi verilerini nesnelere, sınıflara veya kategorilere ayırma işlemidir. Örüntü tanıma, diğerleri arasında bilgisayarla görme, imge bölütleme, nesne algılama, radar işleme, konuşma tanıma ve metin sınıflandırmada uygulamalara sahiptir. Örüntü tanımada gözetimli ve gözetimsiz sınıflandırma olmak üzere iki sınıflandırma yöntemi vardır. gözetimli örüntü tanımayı uygulamak için çok sayıda etiketli veriye ihtiyacınız vardır; aksi halde gözetimsiz bir yaklaşım uygulamayı deneyebilirsiniz.

Makine Öğrenimi ve Derin Öğrenme Kullanarak Örüntü Tanıma

Örüntü tanıma uygulamalarında MATLAB® ile makine öğrenmesi veya derin öğrenme tekniklerini uygulayabilirsiniz.

Bir makine öğrenimi yaklaşımı, verilerinizi hazırlamayı, verilerdeki sınıfları ayırt etmek için özellikleri manuel olarak çıkarmayı ve yeni nesneleri sınıflandırmak için bir makine öğrenimi modelini eğitmeyi içerir. Nesne algılamaya yönelik yaygın makine öğrenimi teknikleri veya modelleri, toplu kanal özelliklerini (aggreagate channel features – ACF), yönlü gradyan (histograms of oriented gradient – HOG) özelliklerinin histogramlarını kullanan SVM sınıflandırmasını ve Viola-Jones’u içerir. Bu yöntemlerin tümü MATLAB®’da mevcuttur.

Derin öğrenme yaklaşımı, verilerinizi hazırlamaktan ve derin sinir ağını eğitmekten ve eğitilen modeli yeni veriler üzerinde test etmekten oluşur. Örüntü tanıma için kullanılan yaygın derin öğrenme modelleri, MATLAB’da da bulunan R-CNN ve YOLO v2’dir. Son yıllarda, derin öğrenme yaklaşımları makine öğreniminden daha popüler hale geldi.

Makine öğrenimi ve derin öğrenme yaklaşımları arasındaki temel farklar, derin öğrenme modellerinin daha büyük bir eğitim veri kümesi ve daha fazla eğitim süresi gerektirmesi, buna karşın daha küçük bir veri kümesiyle eğitilebilen makine öğrenimi modellerinin beklendiği gibi çalışmaması durumunda yorumlamanın ve hata ayıklamanın daha kolay olabilmesidir; ancak, büyük bir etiketli veri kümesi üzerinde eğitilmiş bir derin öğrenme modelinden daha düşük doğruluk bir payına sahiptir.

Derin Öğrenmeye Giriş: Makine Öğrenimi ve Derin Öğrenme

Mühendislikte örüntü tanımanın yaygın bir uygulaması, endüstriyel uygulamalarda üretim maliyetlerini düşürürken ürün kalitesini iyileştirmek için üretimde kusur tespitidir. Aşağıdaki şekil, şirketlerin kusurları üç aşamada verimli bir şekilde tespit etmek için MATLAB ile görüntü tabanlı teknikleri nasıl kullandıklarını göstermektedir: görüntü yakalama, kaliteyi artırmak adına görüntü işleme ve nesneyi iyiye karşı hatalı olarak sınıflandırmak için yapay zeka modelleme.

Gözetimli Sınıflandırma

Gözetimli örüntü tanıma sınıflandırma yöntemleri, manuel olarak etiketlenmiş eğitim verilerini istenen çıktılarla eşleştirerek girdi verilerine denetimli öğrenme algoritmaları uygular.

Bilgisayar görüşünde, optik karakter tanıma (OCR), nesne algılama ve nesne sınıflandırma için denetimli örüntü tanıma teknikleri kullanılır.

Gözetimsiz Sınıflandırma

Gözetimsiz sınıflandırma yöntemleri, bölümleme veya kümeleme teknikleri kullanarak etiketlenmemiş verilerdeki gizli yapıları bularak çalışır. Yaygın denetimsiz sınıflandırma yöntemleri şunları içerir:

• K-ortalama kümeleme
• Gauss karışım modelleri
• Gizli Markov modelleri

Nesne algılama ve imge bölütleme adına, özellikle gözetimli nesne algılama ve sınıflandırmayı uygulamak için yeterli etiketli veri elde etmenin zor olduğu görevlerde, gözetimsiz örüntü tanıma teknikleri de kullanılır.

Uygulamanızda örüntü tanımanın nasıl kullanılacağına ilişkin ayrıntılar için MATLAB ile birlikte kullanılan Computer Vision Toolbox™, Image Processing Toolbox™ ve Statistics and Machine Learning Toolbox™’a bakın.