Embed Size (px)
Citation preview
1
Aplicaciones de algoritmos evolutivos en visión artificial
M. en C. Eddie Helbert Clemente Torres14 Febrero 2008
Tecnológico de Estudios Superiores de Ecatepec
División de Ingeniería Industrial y MecatrónicaPosgrado de Ingeniería Mecatrónica
2
Contenido Cómputo Evolutivo
Optimización La evolución natural como un paradigma Algoritmos genéticos (AG) Estrategias de evolutivas (EG) Programación genética (PG) Programación evolutiva
Visión artificial ¿Qué es la visión artificial? Problemas abiertos
Visión artificial y el cómputo evolutivo Aplicaciones
OptimizaciónCómputo Evolutivo
Uno de los objetivos de las ciencias experimentales es proponer modelos que se ajusten a un grupo de observaciones dadas
3
OptimizaciónCómputo Evolutivo
Definición (Optimización Global). En general un problema de optimización requiere encontrar un conjunto donde Pminimiza o maximiza una función de mérito u objetivo . Sin pérdida de generalidad, solo es necesario considerar tareas de minimización, dado que maximizar f( ) es equivalente a minimizar −f( ). El problema entonces es encontrar tal que f(Pmin) es un mínimo global sobre S. Es decir se requiere encontrar un Pmin tal que:
4
nRS PRSf :
SminP
)P()P(:P min ffS
OptimizaciónCómputo Evolutivo
Parámetros P que son parte del universo de solución son fuertemente restringido
Los datos no son exactos por lo que están sujetos a errores de medición
La función objetivo en el punto P suele ser no lineal, implicando un problema de optimización no convexa.
5
La naturaleza siempre ha demostrado tener las mejores soluciones.
La evolución natural como un paradigma
En 1850 Charles Darwin publica su libo “El Origen de las Especies” Propone la evolución como el
proceso mediante el cual los seres vivos logran subsistir.
La Selección natural nos dice que solo los más aptos sobreviven
Mendel propone 3 leyes que describen los principios de la genética.
La evolución natural como un paradigma
La evolución natural como un paradigma
La computación ve aquí un claro proceso de optimización. Se toman los individuos mejores adaptados – mejores soluciones temporales –, se cruzan – mezclan- ,generando nuevos individuos –nuevas soluciones- que contendrán parte del código genético-información- de sus antecesores, y el promedio de adaptación de toda la población se mejora.
La evolución natural como un paradigma
Algoritmos Genéticos
Estrategias Evolutivas Las estructuras, las cuales van más allá de la adaptación son
típicamente conjuntos de valores reales, variables-objetivo, las cuales están asociadas con valores reales, o variables de estrategias en lo individual.
La aptitud es determinada con la tarea de ejecutar rutinas específicas y algoritmos usando variables-objetivo como parámetros. Las variables de estrategia controlan la forma en la cual la mutación hace variar cada variable-objetivo durante la producción de nuevos individuos.
11
Programación Evolutiva Este estilo opera sobre una variedad de representación de
estructuras, frecuentemente valores reales, variables-objetivo aunque estructuras más complejas han sido usadas (e.g., máquinas de estado finito).
12
Programación Genética
Operadores +, -, *, /, (,),^
Elementos: x, y, z
Algoritmos Genéticos (GA), propuesto por Holland (1992), creador del Teorema Fundamental donde demuestra matemáticamente la factibilidad de estas técnicas;
Estrategías Evolutivas, desarrolladas por Rechenberg (1973) y Schwefel (1995), que centran su atención en la forma de explotar el proceso evolutivo selección, apareamiento, mutación y autodaptación);
Programación Evolutiva , desarrollado por Fogel et al. (1966), que aplica estos conceptos a una máquina de estado finito o autómatas
Programación Genética (GP), propuesto por Koza (1987).
Tipos de Cómputo evolutivo
Visión Artificial
La visión por computadora puede ser entendida como la ciencia de obtener información relevante, precisa y útil a partir de imágenes, con el objetivo de ejecutar tareas dedicadas a la percepción, sensado e interacción con el mundo que rodea a un sistema de visión artificial.
15
Visión Artificial
16
17
Redes Fotogramétricas
Reconstrucción de un antigua Iglesia
Saadatseresht [2004]
18
Redes Fotogramétricas
Diseño de una red fotogramétrica como problema multiobjetivo Dunn [2004]
19
Redes Fotogramétricas
Dunn-Olague [2005]
20
Medición de objetos
Errores pequeños en el plano de la imagen provocan errores significativos en la interpretación tridimensional del objeto.
21
Medición de objetos
Ruido inherente de la señal* Posición y orientación de la
cámara con respecto al objeto Orientación propia de la
cámara Parámetros intrínsecos de la
cámara Geometría de los elementos
fotosensibles
Hernández [2002]
22
Medición de objetos
Función Unitaria de Borde (FUB)
21
21),( 2
2
2))tan((
1
dxePIU
yx
x
21
21),( 2
2
2))tan((
1
dyePIU
xy
y
BAPIUPIU xxxx *),(),(
23
Esquinas Complejas
Notemos que al poseer un modelo que se ajusta a un borde es posible construir esquinas complejas.
24
Esquinas Complejas
25
Reconstrucción de imágenes
Puntos de Interés
Su detección no es trivial, ya que los puntos de interés deben cumplir con ciertos criterios:
Distintivo Inusual Invariante Estabilidad
Aplicaciones: Reconocimiento de objetos Detección de objetos Seguimiento Reconstrucción 3D Correspondencia
Puntos de interés
27
Puntos de interés
28
29
Seguimiento de trayectorias
Grupos de investigación Marc Shoenauer, TAO Team Evelyne Lutton, Complex Group Roger Mohr, Ensimag MOVI Francisco Fernández, UNEX Bir Bhanu, UC Riverside Stefano Cagnoni, Università degli Studi di Parma EvoVisión :. Evolutionary Vision CICESE Mexico
30
31
Aplicaciones de algoritmos evolutivos en visión artificial
M. en C. Eddie Helbert Clemente Torres14 Febrero 2008
Tecnológico de Estudios Superiores de Ecatepec
División de Ingeniería Industrial y MecatrónicaPosgrado de Ingeniería Mecatrónica
