패턴 인식

인식 (recognition)

 사람과 동물의 인식 기능-매우 강건robust

 컴퓨터라는 기계도 인식할 수 있나?

1.1 왜 패턴 인식인가?

 사람과 기계의 차이가 연구자들을 끌어들이는 매력으로 작용

 인식은 사람에게 극히 쉽다.

 인식은 기계에게 극히 어렵다.

 과학적 접근

 뇌의 정보 처리 과정에 대한 어느 정도의 이해를 바탕으로

 뇌를 모방한 인식 컴퓨터에 대한 욕구

 예, 신경망 연구

1.1 왜 패턴 인식인가?

 공학적 접근

 우리 주위에 널려 있는 인식 기계

 기존 제품에 인식 기능 추가하여 부가 가치 높임

 우편물 분류기

 PDA 필기 입력기

 동작인식 핸드폰

 지문인식 마우스

 과속 단속기

 청소 로봇

1.1 왜 패턴 인식인가?

 팽창하는 응용

 공장 자동화

 문서 인식

 음성 인식

 자연어 처리

 데이처 마이닝

 정보 검색

 사람 컴퓨터 인터페이스HCI

 생체 인식

 지능 교통 시스템ITS

 지능 자동차

 생물 정보학

 지능 로봇

 상황 인식

 …

1.2 어떻게 인식하나?

 패턴 인식의 가장 간단한 관점

 개념적으로 생각해 보자.

 얼굴이 작고, 코가 뾰족하고, 눈썹이 짙고, 눈이 작은 샘플이 잇다면,

 특징

 얼굴 크기 (x1), 코의 모양 (x2),눈썹의 짙은 정도 (x3), 눈의 크기 (x4)

 분류

 x1=작다, x2=뾰족하다, x3=짙다, x4=작다 라는 패턴이 들어왔을때, 이미 알고있는 지식에 비추어 아무개일 가능성이 높다라는 의사 결정 과정

1.2 어떻게 인식하나?

 데이터베이스 수집

 용어

 샘플

 훈련 집합과 테스트 집합

 고성능 인식 시스템을 만들기 위해서는 고품질 데이터베이스 필수

 양적 우수성과 질적 우수성

 필기 숫자 예

1.2 어떻게 인식하나?

 특징 (필기 숫자 예)

 개별적인 화소를 특징으로 한다면,

 64개의 특징

 64-차원 특징 벡터 (feature vector) x=(x1,…,x64)

 이들 특징의 분별력은?

 검은 화소의 비율을 특징으로 한다면, 

 중요한 문제

 분별력discriminating power

 차원의 저주curse of dimensionality

1.2 어떻게 인식하나?

 분류 

 두 단계의 설계

 모델 선택과 학습learning

 선형 분류기와 비선형 분류기

 결정 직선, 결정 평면, 결정 초평면

 결정 곡선, 결정 곡면, 결정 초곡면

1.2 어떻게 인식하나?

 성능 평가

 오류율 기준

 혼동 행렬confusion matrix: 오류 경향 분석

 위험risk 기준

 보통 암 환자를 정상이라 오분류하는 것은 정상인을 암 환자로 오분류하는 것보다 위험도가 크다.

1.2 어떻게 인식하나?

 성능 평가

 검출에서의 기준

 검색에서의 기준

1.2 어떻게 인식하나?

 성능 평가

 일반화generalization

 패턴 인식기의 테스트 집합 (한번도 안본 샘플)에 대한 성능

 과적합을 피하자.

 Occam의 칼날 “쓸데 없이 복잡하게 만들지 마라.” “단순한 것이 좋다.”

 모델 선택을 위해,

 검증 집합

 재 샘플링

 k-겹 교차 검증

 붓스트랩

1.3 시스템 설계

 패턴인식 시스템의 개발 사이클

 고품질 데이터베이스의 중요성

 다양한 피드백

 특징과 분류기의 밀접한 관련성

 시스템의 활용 범주의 일반성

1.3 시스템 설계

 패턴인식 시스템의 처리 과정

 현장 투입 (완전 자동 온라인 작동)

 분할 (segmentation) 모듈 필요

 다중 분류기 결합 채택 가능

 후처리: /패(파)/?/인(임)/시(식)/ /패/턴/인/식/

1.4 수학

 패턴 인식은 수학을 많이 사용

 확률과 통계

 선형 대수

 정보 이론                

 최적화

 미분

 패턴인식에서 전형적인 문제 풀이 과정

 분석적 풀이 vs. 수치적 풀이