งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

235015, 305450 Artificial Intelligence ปัญญาประดิษฐ์ 3(2-2-5) สัปดาห์ที่ 1 ขั้นตอนวิธีเชิงพันธุกรรม (Genetic Algorithm)

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "235015, 305450 Artificial Intelligence ปัญญาประดิษฐ์ 3(2-2-5) สัปดาห์ที่ 1 ขั้นตอนวิธีเชิงพันธุกรรม (Genetic Algorithm)"— ใบสำเนางานนำเสนอ:

1 235015, Artificial Intelligence ปัญญาประดิษฐ์ 3(2-2-5) สัปดาห์ที่ 1 ขั้นตอนวิธีเชิงพันธุกรรม (Genetic Algorithm)

2 Outline Objectives 1 p p 2 Genetic Algorithm Principle 3 Genetic Algorithm & Application 4 What is Genetic Algorithm ?

3 Objectives เพื่อให้นิสิตรู้และเข้าใจในกระบวนการทาง พันธุกรรมศาสตร์ เพื่อให้นิสิตเรียนรู้และเข้าใจเกี่ยวความสัมพันธ์ของ กระบวนการทางพันธุกรรมศาสตร์กับงานด้าน คอมพิวเตอร์ เพื่อให้นิสิตสามารถประยุกต์ใช้ของกระบวนการ ทางพันธุกรรมศาสตร์ เพื่อแก้ปัญหาโจทย์ประยุกต์ ด้านคอมพิวเตอร์ได้

4 Outline Objectives 1 p p 2 Genetic Algorithm Principle 3 Genetic Algorithm & Application 4 What is Genetic Algorithm ?

5 ไทย : หลักการและประวัติของปัญญาประดิษฐ์ ปริภูมิสถานะและการค้นหา ขั้นตอนวิธีการ ค้นหาการแทนความรู้โดยใช้ตรรกะเพรดิเคต วิศวกรรมความรู้ โปรล็อกเบื้องต้น การ ประมวลผลภาษาธรรมชาติเบื้องต้น การ เรียนรู้ของเครื่องจักร โครงข่ายประสาท เทียม ขั้นตอนวิธีเชิงพันธุกรรม หุ่นยนต์ อังกฤษ : -

6 Outline Objectives 1 p p 2 Genetic Algorithm Principle 3 Genetic Algorithm & Application 4 What is Genetic Algorithm ?

7 Genetic Algorithm Process

8 Overview of object tracking system Trajectory Tracking Algorithm 100 frames Graph of distance 100 frames Input dataTracking MethodOutput data 3

9 The trajectory-based ball detection and tracking Frames Sequence Input data Output data

10 How to separate the ball ?

11 (X 1,Y 1,D 1 ) (0,0) (X 2,Y 2,D 2 ) (X 3,Y 3,D 3 ) (X 4,Y 4,D 4 ) (X 5,Y 5,D 5 ) (X 6,Y 6,D 6 ) 14

12 Ball Candidates Representation 15

13

14 Initial Population

15 Reference Frame Data

16

17 Fitness Value Evaluation Where = Euclidean Distance = X-Coordinate = Y-Coordinate

18 Fitness value estimation Where = Fitness value per point or frame = Distance between frame = Number of population = Number of frame 46

19

20

21 Select the Best Population Best Population 8 Chromosome

22

23 Crossover operator Possible cross point Random 20 Chromosome for Crossing Over

24

25 Mutation operator Random 8 Mutation Chromosome

26

27 Random operator 4 New Random Chromosome

28

29 Replace all Offspring in New Generation = 40 ?

30

31 Outline Objectives 1 p p 2 Genetic Algorithm Principle 3 Genetic Algorithm & Application 4 What is Genetic Algorithm ?

32 Overview of object tracking system Trajectory Tracking Algorithm 100 frames Graph of distance 100 frames Input dataTracking MethodOutput data 3

33 How to classify ball from the other objects? 10

34 Filtering process The ball candidate objects can be detected by 4 Boolean Function of sieve processes, there are:  Color range filter ->(H, S, V)  Line filter  Shape filter  Size filter 11

35 What is the candidate objects? Where = Boolean Function of Candidate Objects = Boolean Function of All Objects in Frame 12

36 Ball candidates representation Where = Candidate Objects in Frame = X-Coordinate = Y-Coordinate = Distance 13

37 (X 1,Y 1,D 1 ) (0,0) (X 2,Y 2,D 2 ) (X 3,Y 3,D 3 ) (X 4,Y 4,D 4 ) (X 5,Y 5,D 5 ) (X 6,Y 6,D 6 ) 14

38 Input candidates before plot graph 15

39 Best ball trajectory verification Distance Frame No

40 Results of segmentation & filtering 17

41 Position of strength line in frame IndexX- position Y- position DistanceArea

42 After Background Subtraction 19

43 20

44 Euclidean distance tracking Distance Time k-1kk+1 d E1 Shortest = d E2 CurrentNext Past d E2 d E3 21

45 Example of skeleton trajectory 22 Kalman Filter -> Temp position

46 23

47 Miss frame identification Kalman Filter -> Temp position 24

48 Kalman filter system 25

49 Kalman Filter Process Distance Time k-1kk+1 Prediction Correction by ROI CurrentFuture Past d E1 > Th d d E2 > Th d 26

50 Example disadvantage of Kalman Filter “ROI” CUT FOR FINDING SUITABLE OBJECT 27

51 ROI area specification 50 pixel ROI 28 Temp Position-> Kalman Filter

52 ROI segmentation The propose of ROI segmentation is finding the candidate ball objects in the interesting area by objective function, that compost of 6 parameters there are: 3 o f color parameters (H, S, V) ->Color improvement Distance parameter -> Distance normalization Shape parameter-> Major and minor axis ratio Area parameter -> Average area of previous ball 29

53 Statistical Dissimilarity Measurement Where = Statistic dissimilarity measurement = Mean of interesting object = Mean of data set = Variance of interesting object = Variance of data set 30

54 Statistical Similarity Where = Probabilistic value that transfer from statistic similarity measurement = Statistic dissimilarity measurement 31

55 An objective function w 1 = weight of distance w 2 = weight for Hue w 3 = weight for Saturation w 4 = weight for Intensity w 5 = weight for Shape of the object w 6 = weight for Area of the object 32 3 objects upon to probability priority

56 Color improvement by region reduction (x b,y b )  x b  y b (x c,y c ) (x b,y b )  x b  y b (x c,y c ) 33 ROI

57 Type of an objects in ROI Type#1 Type#2 Type#3 Type#0 Type#4 34

58 No object & single object in ROIs No object in ROI segmentation is Type#0 Single object in ROI segmentation is Type#1 35

59 Many objects in ROIs Type#2 Type#3Type#4 36

60 Average types values of objects Where = Object type = Integer number represent type of object = Average value type of each object 37

61 Weight of ROI types ROI type = ? Type#3 = Type#4 = Type#0 = 38

62 The specification of ROI type Where = Region of interest segmentation type 39

63 40

64 Multiple trajectory generation Distance Time Path 1 Path 2 Path 3 41

65 Genetic Algorithm Process 42

66 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 43

67 Initial chromosome or population 44

68 Reference frame data index region 45

69 Fitness value estimation Where = Fitness value per point or frame = Speed between frame = Distance between frame = Number of population = Number of frame 46

70 Fitness value & weight type Where = Fitness value per point or frame after weight = Constant weight value 47

71 Best trajectory verification Where = Fitness value per path or all trajectory path = Best path or best trajectory path 48

72 Best ball trajectory verification Distance Time Path 1, F 1 = 120 Path 2, F 2 = 55 Path 3, F 3 = 75 49

73 Kalman Filter Distance Time Frame Linear 50

74 Cubic spline interpolation Distance Time Frame Curve 51

75 52

76 Example result after previous process 53

77 Case of impulse transience Single-point Impulse Transience Multi-point Impulse Transience 54

78 Hierarchy adaptive window size technique Where = Threshold = = Speed between contiguous frame = Window size 55

79 Example of error before using HAWz 56

80 Example of refinement result 57

81 The End 73


ดาวน์โหลด ppt 235015, 305450 Artificial Intelligence ปัญญาประดิษฐ์ 3(2-2-5) สัปดาห์ที่ 1 ขั้นตอนวิธีเชิงพันธุกรรม (Genetic Algorithm)

งานนำเสนอที่คล้ายกัน


Ads by Google