Computer Project I โครงงานด้านวิศวกรรมคอมพิวเตอร์ 1 1(0-3)

งานนำเสนอเรื่อง: "Computer Project I โครงงานด้านวิศวกรรมคอมพิวเตอร์ 1 1(0-3)"— ใบสำเนางานนำเสนอ:

1 305496 Computer Project I โครงงานด้านวิศวกรรมคอมพิวเตอร์ 1 1(0-3)
สัปดาห์ที่ 5 องค์ประกอบและรูปแบบการเขียนปริญญานิพนธ์บทที่ 2

2 Theoretical Background
Outline 1 Objectives 2 p Introduction 3 Theoretical Background 4 Literature Review 5 Assignments

3 objectives เพื่อให้นิสิตเรียนรู้และเข้าใจโครงสร้างของปริญญานิพนธ์ในบทที่ 2 เพื่อให้นิสิตสามารถนำความรู้ขององค์ประกอบของปริญญานิพนธ์ในบทที่ 2 ไปประยุกต์ใช้กับปริญญานิพนธ์ของตัวเองได้อย่างเหมาะสม

4 Theoretical Background
Outline 1 Objectives 2 p Introduction 3 Theoretical Background 4 Literature Review 5 Assignments

5 Chapter Contents บทนำเพื่อชักจูงผู้อ่านเข้าสู่เนื้อหาที่จะนำเสนอ
จุดประสงค์ที่ต้องการให้ผู้อ่านได้ทราบหรือเข้าใจ องค์ประกอบของเนื้อหาที่จะนำเสนอภายในบท ปัญหาโดยทั่วไปของงานวิจัยหรือปริญญานิพนธ์โดยละเอียดทุกแง่มุม ทฤษฎีพื้นฐานโดยทั่วไปที่มักจะนำมาใช้เพื่อแก้ปัญหาในหัวเรื่องปริญญานิพนธ์ วิธีการแก้ไขที่ได้ศึกษาจากงานวิจัยก่อนหน้า ข้อดี ข้อด้อยจากงานวิจัยนั้นๆ บทส่งท้ายเพื่อโน้มน้าวเข้าสู่เนื้อหาในบทถัดไป

6 Introduction บทนำ ความสำคัญของปัญหาในวงกว้าง
ความสำคัญของปัญหาในวงที่แคบเข้ามา เนื้อหาที่จะนำเสนอภายในบท Introduction Problem & Motivation Content

7 Theoretical Background
ทฤษฎีพื้นฐานโดยทั่วไปที่มักจะนำมาใช้เพื่อแก้ปัญหาในหัวเรื่องปริญญานิพนธ์

8 What the contents must be?
ตัวอย่าง ชื่อหัวข้อปริญญานิพนธ์ : การติดตามวัตถุ (Object tracking) การแสดงภาพดิจิตอล (Digital Image Representation) แบบจำลองของสี (Color Model) RGB HSV CMYK วิธีการโดยทั่วไปในการติดตามวัตถุ (Object Tracking) เจเนติกอัลกอริธึม (Genetic Algorithm) คาลแมนฟิวเตอร์ (Kalman Filter) วิธีการอื่นๆ

9 Digital Image Representation (1)
N x N image

10 Digital Image Representation (2)
Red Green Blue

11 Example of Color Model

12 Transition Equation

13 Theoretical Background
Outline 1 Objectives 2 p Introduction 3 Theoretical Background 4 Literature Review 5 Assignments

14 Example 1 : object tracking system
Input data Tracking Method Output data Trajectory Tracking Algorithm 100 frames Graph of distance 100 frames 3

15 Genetic Algorithm Process
47

16 Chromosome representation
a = The number for specific method c = Index region of frame e, f = Population number and frame number b, d = Not use now 48

17 Initial chromosome or population
49

18 Reference frame data index region
50

19 Crossover operator 4 1 5 1 6 7 1 4 5 6 1 Possible cross point 51

20 Mutation operator 52

21 Fitness value estimation
Where = Fitness value per point or frame = Speed between frame = Distance between frame = Number of population = Number of frame 53

22 Fitness value & weight type
Where = Fitness value per point or frame after weight = Constant weight value 54

23 Best trajectory verification
Where = Fitness value per path or all trajectory path = Best path or best trajectory path 55

24 Best ball trajectory verification
Path 1, F1 = 120 Path 2, F2 = 55 Path 3, F3 = 75 Distance 1 2 3 4 5 6 7 8 Time 56

25 Principle Component Analysis (PCA)
Image Representation Training Dataset Image Representation N x N image

26 Principle Component Analysis CA)
Training Dataset Image Representation Calculate Average Image Calculate Centering Images Calculate Eigenvector & Eigenvalue Sort Eigenvector by Eigenvalue

27 Example 2: Principle Component Analysis (PCA)
Training Dataset Image Representation Calculate Average Image Calculate Centering Images Calculate Eigenvector & Eigenvalue Sort Eigenvector by Eigenvalue

28 Principle Component Analysis (PCA)
Training Dataset Image Representation Calculate Average Image Calculate Centering Images Calculate Eigenvector & Eigenvalue Sort Eigenvector by Eigenvalue

29 Principle Component Analysis (PCA)
Training Dataset Image Representation Calculate Average Image Calculate Centering Images Calculate Eigenvector & Eigenvalue Sort Eigenvector by Eigenvalue

30 Principle Component Analysis (PCA)
Training Dataset Image Representation Calculate Average Image Calculate Centering Images Calculate Eigenvector & Eigenvalue Sort Eigenvector by Eigenvalue Eigenvector “Eigenfaces” ….. Number of Eigenfaces chosen (K = 10) Sort by Eigenvalue

31 Principle Component Analysis (PCA)
Training Dataset Image Representation Calculate Centering Images Eigenfaces ….. Test Image Calculate Centering Images

32 Principle Component Analysis (PCA)
Training Dataset Image Representation Similarity Measurement Calculate Centering Images WTrainset(i) Test Image WTest Calculate Centering Images Eigenspace

33 Principle Component Analysis (PCA)
... 1024 elements Number of faces in the Training Dataset (e.g. 300) ... Number of Eigenfaces chosen (e.g. 30) 1024 elements PCA Process …..

34 Literature Review 1 (Related Work)
Author A. Pavan Kumar, V. Kamakoti, Sukhendu Das [11] Weight Modular PCA (WMPCA) Parallel Process Forehead Eye Mouth Three Horizontal Partitions PCA Process Weight Similarity Measurement Recognition Index Region Summing

35 Advantage-disadvantage [11]
Floating-point [11] (Parallel) Technique WMPCA Operator FPU Process Sequential Reusable Module Recognition Indexing Unit (RIU)

36 Theoretical Background
Outline 1 Objectives 2 p Introduction 3 Theoretical Background 4 Literature Review 5 Assignments

37 Literature Review ศึกษาวรรณกรรม (บทความ) จากงานวิจัยก่อนหน้า
ทำความเข้าใจในระบบรวมที่งานวิจัยก่อนหน้านำเสนอ เขียนอธิบายขั้นตอนทำงานของงานวิจัยก่อนหน้าด้วยภาษาของตัวเอง ตัวอย่างผลการทดลองของงานวิจัยก่อนหน้า ศึกษาข้อดีและข้อด้อยของงานวิจัยก่อนหน้า เพื่อหาช่องว่าง (ข้อด้อยที่เป็นปัญหา) ที่ยังไม่สามารถแก้ไขได้หรือยังทำไม่ได้ ตีแผ่ปัญหาค้างไว้เพื่อชักจูงเข้าสู่ระบบหรืองานเราที่จะนำเสนอในส่วนของทฤษฎีในบทที่ 3 ของปริญญานิพนธ์ของเรา

38 Example of Literature Reviews
Literature No. 1 : การติดตามวัตถุด้วยเจเนติกอัลกอริธึม ภาพรวมระบบพร้อมคำอธิบายการทำงานเป็นภาษาของตัวเองอย่างละเอียด ผลการทดลอง ข้อดีข้อด้อยพร้อมตีแผ่ปัญหาค้างไว้ Literature No. 2 : การติดตามวัตถุด้วยคาลแมนฟิวเตอร์ Literature No. 3 : การติดตามวัตถุด้วยพาทิชันสวอร์ม ……………………………………………………………………….

39 Literature Review 2 Multi-Pipeline Process Three Horizontal Partitions
Author S. Visakhasart and O.Chitsobhuk [12] PCA, MPCA, WMPCA and Wavelet Based Technique Multi-Pipeline Process Forehead Eye Mouth Three Horizontal Partitions PCA Process Weight Similarity Measurement Recognition Index Region Summing Pipeline Process Pipeline Process Pipeline Process

40 Advantage-disadvantage 11 & 12
Floating-point [11] (Parallel) Floating-point [12] (Multi-pipeline) Technique WMPCA Four Techniques Operator FPU Process Sequential Pipeline Reusable Module Recognition Indexing Unit (RIU)

41 Comparison Between Methods
Advantage Disadvantage PCA 1 Reduce Dimension of The Data Recognition Rate using PCA isn’t quite impressive compared to the modified PCA technique. MPCA 2 Higher Recognition Rate Lower Processing Time Input image must be previously prepared for PCA process. WMPCA 3 Different Parts of face (eyes, nose and lips) are separately analyzed. Processing Time of this technique is higher than the other technique. Wavelet Based Techniques 4 Reduce noise and Reduced-resolution approximation of the input image. Input image must be previously prepared for PCA, MPCA and WMPCA process.

42 Linking to The Next Chapter
พูดถึงปัญหาที่กล่าวมาโดยรวม เสนอแนวทางแก้ปัญหาโดยทฤษฎีเบื้องต้น เสนอแนวทางแก้ปัญหาอาจจะเป็นของคนอื่น เล่าเนื้อความคร่าวๆ

43 Theoretical Background
Outline 1 Objectives 2 p Introduction 3 Theoretical Background 4 Literature Review 5 Assignments

44 Questions What is your chapter 2 outline?
How many section of this chapter ? How you can contribute each section? What can you do?

45 Warning The linking must be careful : Linking between word
Linking between sentence Linking between paragraph Linking between section Linking between chapter

46 Assignments Prepare the delicate slide for present the chapter 2 outline, the theory or keyword that contribute each section and present in the next class. Each group has 5-10 minutes for your presentation. Delicate and beautiful presentation is needed. Ordering and clearly presentation is needed. The presenter must be assert by the audients.

47