Outils de reconnaissance de formes et classification
Télécharger la fiche produit
Le module Recognition Toolkit, developpé par la société Recognition Science, Inc.
met à la disposition des utilisateurs de la version Developer d’Aphelion™ tout un ensemble
d’outils de reconnaissance et de classification d’objets basés sur l’analyse par composantes principales
et la mesure d’attributs. Des classificateurs peuvent être générés automatiquement
évitant ainsi à l’utilisateur d’avoir à spécifier des règles complexes
pour la reconnaissance des objets. Les outils proposés dans le module peuvent être appliqués
aussi bien sur des ensembles d’objets Aphelion (ObjectSets) que sur des données scalaires standards.
Des macros d’exemple sont fournies avec le module et peuvent soit être employées telles quelles,
soit servir de modèle.
Ajoute à Aphelion Developer
les fonctionnalités suivantes : |
|
 |
Reconnaissance de formes |
|
 |
Classification automatique |
|
 |
Classification statistique |
|
 |
Analyse d’attributs et évaluation |
Recognition Toolkit fournit des outils de reconnaissance de formes capables de fonctionner sur des
données continues, discrètes ou encore symboliques. Le module contient un ensemble
d’opérateurs pour la classification, l’apprentissage, l’évaluation d’attributs, le
codage et l’extraction de nuages de points. Une vingtaine de fonctions constituent l’ensemble des
fonctions de reconnaissance de formes incluses dans le module et cinq fonctions supplémentaires
servent aux extractions avancées et aussi comme opérateurs de démonstration lors
du développement d’algorithmes complexes de reconnaissance. Le coeur du module inclut l’ensemble
des classificateurs, les opérateurs d’apprentissage, une fonction de regroupement standard, une
évaluation d’attributs, des fonctions d’analyse et des fonctions utilitaires pour le
prétraitement et la constitution de bases d’apprentissage. La liste complète des
opérateurs avec leur description en anglais est fournie ci-dessous.
Principaux avantages du module Recognition Toolkit :
- Outils haut-niveau de classification probabiliste et multivariable
- Puissant ensemble d’outils pour des applications avancées de reconnaissance de forme
basées sur les ObjectSets d’Aphelion et la Représentation Intermédiaire
Symbolique (ISR)
- Aide à la classification dans des domaines comme la biologie et la cytologie quantitative,
lorsque les catégories cellulaires doivent être déterminées à partir
d’un large ensemble de mesures et attributs. Le module peut également être utilisé
dans le domaine de la robotique.
Opérateurs du module Recognition Toolkit (description en
anglais) : |
AutoCode |
Utility |
Automatically codes features to discrete form. The user can select the maximum
number of discrete states permitted. (description) |
Bayes_Cls |
Classifier |
This trainer sets up all of the reference data required by Bayes_Cls. This includes
generation of class centroids, covariance, and base weights. |
Bayes_Trn |
Training |
Multivariate normal Bayesian classifier for normally distributed measurement data
which can produce optimal results when its assumptions are met. Prior class weights can be accepted
from the reference file, be set to default values, or adjusted by the user to favor specific classes. |
Boxes |
Extract |
Finds related opposite and adjacent corners for the extraction of rectangular objects. |
Centroid |
Utility |
Given data and labels this routine computes class centroids in the feature space. |
Corners |
Extract |
Finds corners under user specified tolerances. Uses basic line object input. |
CorrEval |
Evaluation |
Correlation based on feature evaluation. This operator can assist in evaluation of
the utility of measurement data and reducing redundancy in a set of features. |
DIT_Cls |
Classifier |
The Discriminant Information Tree (DIT) classifier provides a capability to classify
data which is discrete, coded or symbolic. It can function without any class centroid separability
under complex data distributions. Continuous measurement data can be coded for use with this classifier
using the AutoCode or Encode operators. |
DIT_Trn |
Training |
This trainer uncovers the optimal discriminant information tree and probability
structures for DIT_Cls. |
Encode |
Utility |
Encodes measurement data using specified partitions. The partitions can be from
AutoCode or user generated. |
FindROI |
Extract |
This routine detects regions of interest (ROI's) in an image using a K-nearest
neighbor algorithm. It can be used for cueing or as the first stage in a multistage classifier. |
InfoEval |
Evaluation |
This tool determines, on a feature-by-feature basis, the best features for class
separation. It can be used to evaluate symbolic features, discrete features, and coded measurement data.
It provides a measure of the discriminant information in each feature, and automatically rank-orders
an output feature set from most powerful to least powerful. |
KNN_Trn |
Training |
Generates a reference prototype file for the K-Nearest-Neighbor Classifiers of KNN_Cls
and FindROI. |
|
LinkEval |
Evaluation |
Finds tree linkage structure which maximizes second-order discriminant information.
Can assist in feature discrimination or redundancy evaluation. |
MeanAsgn |
Utility |
This routine assigns data to closest centroid. Permits rapid evalua tion of class
separability of user selected or modified centroid values. Can be used with Centroid operator or PFSCIust
operator to develop alternative classifiers. |
MinD_Cls |
Classifier |
This Minimum Distance Classifier provides an easy to use classification capability
with very minimal training data requirements and minimal computational complexity. It assigns samples
based on Euclidean distance from class centroids in the feature space. |
MinD_Trn |
Training |
Sets up class centroids and weights for the minimum distance classifier. An excellent
tool for the interpretation of measurement data from well separated classes. |
MRegres |
Evaluation |
This Multiple Regression analysis technique computes the optimal linear combination
of features to estimate an outcome. It can be used in feature evaluation and redundancy analysis. |
Normal |
Utility |
Generates normalized features by extracting the mean and standardizing variances to one.
Eliminates measurement unit scaling effects in data. |
PairEval |
Evaluation |
Computes pairwise discriminant information. It provides a measure of how well each
pair of features can be used to predict the correct class label. It can also help identify redundant
features in a selection of discriminant feature sets. |
Parallels |
Extract |
Finds parallel line pairs under user specified control of separation distance ranges
and degree of overlap. Uses line object input. |
PFSClust |
Clustering |
Pseudo F-Statistic (PFS) Clustering finds the natural classes in a set of data.
This unsupervised classification algorithm can be used to automatically find natural separations
in the feature space. It can guide in feature selection and class definition for a later classifier
implementation. |
WinFeats |
Extract |
Produces window based features useful for detection and classification. It supports
FindROI in detection of regions of interest. Window size and overlaps are selected by the user. |
KNN_Cls |
Classifier |
K-Nearest-Neighbor classifier for utilization on measurement data with complex
distributions. This classifier can operate when classes are not easily separable. |
|