Просмотр

Материал из MachineLearning.

Страница «Структурные методы анализа изображений и сигналов (курс лекций)/2011/Задание 1»
У вас нет прав на выполнение этой операции по следующим причинам:
Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.
Вы можете просмотреть и скопировать исходный текст этой страницы:
{{TOCright|300px}}

[[Структурные методы анализа изображений и сигналов (курс лекций)|Перейти к основной странице курса]]

'''Начало выполнения задания''': 28 марта 2011

'''Срок сдачи''': {{ins|11 апреля 2011, 23:59}}

Задание состоит из двух вариантов. Распределение вариантов задания по студентам:
{|class="standard"
 !''Вариант 1'' || ''Вариант 2''
 |-
 |Ромов Петр, 202 || Лямаев Сергей, 202
 |-
 |Иванов Петър, 202 || Елшин Денис, 317
 |-
 |Некрасов Константин, 317 || Новиков Павел, 317
 |-
 |Меркулова Татьяна, 317 || Лобачева Екатерина, 209
 |-
 |Батанов Павел, 321 || Птенцов Сергей, 321
 |-
 |Сапатов Александр, 321 || Новикова Татьяна, 321
 |-
 |Шальнов Евгений, 321 || Конев Артем, 321
 |-
 |Костин Григорий, 320 || Икрам Магжан, 325
 |-
 |Переходько Евгения, 325 || Парамонов Сергей, 324
 |-
 |Русланова Анна, 421 || Ермишин Федор, 321
 |-
 |Исламгулов Ильдар, 420 || Грядицкая Юлия, 411
 |-
 |Касперский Иван, 417 || Тихонов Андрей, 417
 |-
 |Колев Денис, 417 || Вартанов Сергей, 427
 |-
 |Ермаков Михаил, 427 || Баранов Леонид, 428
 |-
 |Пироженко Александр, 428 || Рябов Сергей, 428
 |-
 |Кузин Сергей, 528 || Светличный Дмитрий, ВВО
 |-
 |Заякина Ольга, ВВО || Беликов Владимир
 |-
 |Гребенкина Мария || Субботин Никита
 |-
 |}

Для студентов, которых нет в этом списке, механизм выбора варианта следующий: первый вариант, если первая буква фамилии А–Л, второй — иначе.

Среда реализации для всех вариантов – MATLAB. Неэффективная реализация кода может негативно отразиться на оценке.

== Вариант 1 ==

=== Формулировка задания ===
Рассматривается классическая скрытая марковская модель (СММ) первого порядка, в которой полное правдоподобие задается как:
<center>
<tex>
p(X,T|\theta)=p(t_1)\prod_{n=2}^Np(t_n |t_{n-1})\prod_{n=1}^Np(x_n |t_n )
</tex>
</center>
 
Пусть скрытая компонента <tex>t_n</tex> в произвольный момент времени может принимать значения из множества <tex>\{1,\dots,K\}</tex>. Априорное распределение на значение скрытой компоненты в первый момент времени задается вектором <tex>w_1,\ldots,w_K</tex>, причем все <tex>w_i\ge 0</tex> и <tex>\sum_iw_i=1</tex>. Распределение <tex>p(t_n |t_{n-1})</tex> задается матрицей перехода <tex>A</tex> размера <tex>K\times K</tex>, где в <tex>ij</tex>-ой позиции стоит вероятность перехода из состояния <tex>i</tex> в состояние <tex>j</tex>. Все элементы этой матрицы неотрицательны и сумма элементов по каждой строке равна единице. Модель генерации данных задается нормальными распределениями со своими значениями вектора математического ожидания <tex>\mu_i</tex> и матрицы ковариации <tex>\Sigma_i</tex> для каждого состояния.
Таким образом, набор параметров модели определяется вектором <tex>\vec{w}</tex>, матрицей <tex>A</tex>, значениями векторов математических ожиданий и матриц ковариаций для каждого состояния <tex>\{\mu_i,\Sigma_i\}_{i=1}^K</tex>.

Данную СММ нужно использовать для сегментации поведения мыши в клетке на набор т.н. поведенческих актов. Поведенческие акты — это элементарные единицы в описании поведения. Примерами поведенческих актов для мыши в клетке являются «бежит», «роется», «сидит на месте», «встает на задние лапы», «крутится на месте» и т.д. В качестве входных данных для этой задачи выступают видео с записью поведения мыши в клетке (см. фрагмент ниже) и набор параметров мыши для каждого кадра видео: координаты центра масс, точки носа и хвоста, координаты пикселей контура мыши. Необходимо на основе этих данных рассчитать набор признаков (например, скорости, ускорения, различные углы) и с помощью ЕМ-алгоритма обучения СММ выделить 3 поведенческих акта. Например, при использовании только скорости можно выделить поведенческие акты вида «бежит», «идет», «стоит на месте». Набор используемых признаков и интерпретация полученных поведенческих актов отдаются на выбор студента. Полученные поведенческие акты необходимо наложить на видео с поведением.

<videoflash>2AzoUaH8oAs|500|500</videoflash>

Для выполнения задания необходимо:
* Реализовать алгоритм генерации выборки из вероятностной модели СММ
* Реализовать EM-алгоритм обучения СММ при заданном числе состояний K.
* Реализовать алгоритм Витерби для сегментации сигнала при известных значениях параметров СММ
* Протестировать реализованные алгоритмы на модельных сигналах
* Рассчитать набор признаков для описания поведения мыши и на их основе найти 3 '''осмысленных''' поведенческих акта с помощью ЕМ-алгоритма обучения СММ, проинтерпретировать полученные поведенческие акты
* Наложить полученные поведенческие акты на видео с поведением
* Написать отчет в формате PDF с описанием всех проведенных исследований. Данный отчет должен, в частности, включать в себя графики сегментации модельных сигналов.

=== Спецификация реализуемых функций ===

{|class="standard"
 !''Генерация выборки''
 |-
 |[X, T] = HMM_GENERATE(N, w, A, Mu, Sigmas)
 |-
 |ВХОД
 |-
 |
 {|border="0"
  |N — количество точек в генерируемой последовательности, uint32;
  |-
  |w — априорные вероятности для скрытых состояний, матрица типа double размера 1 x K;
  |-
  |A — матрица перехода, матрица типа double размера K x K;
  |-
  |Mu — центры гауссиан для каждого состояния, матрица типа double размера K x d, в которой в каждой строке стоит вектор мат.ожидания для соответствующего состояния;
  |-
  |Sigmas — матрицы ковариации гауссиан, массив типа double размера d x d x K, Sigmas(:,:,i) – матрица ковариации для i-ого состояния;
  |}
 |-
 |ВЫХОД
 |-
 |
 {|
  |X — сгенерированная последовательность, матрица типа double размера N x d
  |-
  |T — последовательность скрытых состояний, матрица типа double размера 1 x N
  |} 
 |}

Обратите внимание: в процедуре HMM_GENERATE количество признаков и количество скрытых состояний определяются неявно по размеру соответствующих элементов.

{|class="standard"
 !''Сегментация''
 |-
 |T = HMM_TEST(X, w, A, Mu, Sigmas)
 |-
 |ВХОД
 |-
 |
 {|
  |X — входная последовательность, матрица типа double размера N x d, где N – количество точек в последовательности, d – количество признаков;
  |-
  |w — априорные вероятности, матрица типа double размера 1 x K, где K – количество скрытых состояний;
  |- 
  |A — матрица перехода, матрица типа double размера K x K;
  |-
  |Mu — центры гауссиан для каждого состояния, матрица типа double размера K x d, в которой в каждой строке стоит вектор мат.ожидания для соответствующего состояния;
  |-
  |Sigmas — матрицы ковариации гауссиан, массив типа double размера d x d x K, Sigmas(:,:,i) – матрица ковариации для i-ого состояния;
  |-
  |}
 |-
 |ВЫХОД
 |-
 |
 {|
  |T — полученная последовательность скрытых состояний, матрица типа double размера 1 x N
  |}
 |}

&nbsp;

{|class="standard"
 !''Обучение''
 |-
 |[w, A, Mu, Sigmas, core] = HMM_EM_TRAIN(X, K)
 |-
 |[w, A, Mu, Sigmas, core] = HMM_EM_TRAIN(X, K, InputParameters)
 |-
 |ВХОД
 |-
 |
 {|
  |X — входная последовательность, матрица типа double размера N x d, где N – количество точек в последовательности, d – число признаков;
  |-
  |K — количество скрытых состояний, число типа uint16;
  |-
  |InputParameters — (необязательный аргумент) набор дополнительных параметров, массив типа cell вида ParameterName1, ParameterValue1, ParameterName2, ParameterValue2 и т.д. Возможны следующие параметры:
  |-
  |&nbsp;&nbsp;'w' — задаваемый пользователем вектор априорных вероятностей (соответственно, его не нужно определять в процессе EM-итераций);
  |-
  |&nbsp;&nbsp;'A' — задаваемая пользователем матрица перехода;
  |-
  |&nbsp;&nbsp;'Mu' — задаваемые пользователем центры гауссиан для каждого состояния;
  |-
  |&nbsp;&nbsp;'Sigmas' — задаваемые пользователем матрицы ковариации гауссиан;
  |-
  |&nbsp;&nbsp;'num_iter' — максимально допустимое число итераций EM-алгоритма (по умолчанию = 100);
  |-
  |&nbsp;&nbsp;'tol_LH' — минимально допустимая величина отклонения по значению логарифма правдоподобия на одной итерации (по умолчанию = <tex>10^{-2}</tex>);
  |}
 |-
 |ВЫХОД
 |-
 |
 {|
  |w — априорные вероятности для скрытых состояний, матрица типа double размера 1 x K;
  |-
  |A — матрица перехода, матрица типа double размера K x K;
  |-
  |Mu — центры гауссиан для каждого состояния, матрица типа double размера K x d, в которой в каждой строке стоит вектор мат.ожидания для соответствующего состояния;
  |-
  |Sigmas — матрицы ковариации гауссиан, массив типа double размера d x d x K, Sigmas(:,:,i) – матрица ковариации для i-ого состояния;
  |-
  |Core — все параметры для всех итераций EM-алгоритма, массив структур длины num_iter с полями 'w', 'A', 'Mu', 'Sigmas', 'gamma', 'LH', где gamma – матрица значений gamma для всех точек и всех состояний, LH – логарифм правдоподобия
  |}
 |}

=== Рекомендации по выполнению задания ===

[[Изображение:SMAIS11_hmm_segmentation.jpg|300px|thumb|Пример модельного сигнала для тестирования СММ]]
* При тестировании ЕМ-алгоритма обучения СММ рекомендуется убедиться в том, что значение неполного правдоподобия <tex>\log p(X|w,A,\mu,\Sigma)</tex> монотонно увеличивается в итерациях.
* В качестве простейшего модельного сигнала для тестирования генерации, обучения и сегментации с помощью СММ можно взять одномерный сигнал с тремя состояниями, в котором два состояния хорошо отличимы друг от друга, а третье состояние является промежуточным. Например, в первом состоянии мат.ожидание = 0 и дисперсия маленькая (скажем, 0.1). Во втором состоянии мат.ожидание = 1 и такая же дисперсия, как и в первом состоянии. В третьем состоянии мат.ожидание = 0, а дисперсия в несколько раз больше (скажем, 0.5).
* При тестировании генерации из модели СММ рекомендуется эксперимент с двухмерным сигналом, чтобы убедиться в корректности задаваемых корреляций
* Для наложения поведенческих актов на видео рекомендуется следующая процедура:
** Загрузить в MATLAB изображения с названиями поведенческих актов с помощью ''imread''
** Небольшими блоками загружать в MATLAB кадры видео с помощью ''aviread'', накладывать на них картинки с названиями поведенческих актов и сохранять полученные кадры в виде отдельных JPG картинок на диск с помощью ''imwrite''. Сохраненные картинки должны иметь название XXXXX.jpg, где XXXXX — номер кадра.
** Собрать полученные картинки в видео-файл с помощью бесплатной программы [http://www.virtualdub.org/ VirtualDub]. Для этого достаточно открыть первую картинку в программе (остальные загрузятся автоматически), установить частоту кадров 25fps, установить кодек (рекомендуется DivX) и сгенерировать AVI-файл.

=== Данные для выполнения задания ===

[http://narod.ru/disk/8645012001/CG1OFD1_input.avi.html Видео-файл]

[http://narod.ru/disk/8645639001/frames_data.mat.html MAT-файл], содержащий данные для каждого кадра видео. В нем находится массив структур, где каждая структура соответствует одному кадру, а поля структуры имеют следующее значение:
* frame_number — номер кадра видео
* centre — координаты центра масс мыши
* nose — координаты предполагаемой точки носа мыши
* tail — координаты предполагаемой точки основания хвоста мыши
* contour — координаты точек контура мыши
* dist_centre — расстояние от центра масс мыши до центра арены
* dist_border — расстояние от центра масс мыши до ближайшей границы арены
* eigen_features — проекции контура мыши на собственные контура, полученные с помощью метода главных компонент

=== Оформление задания ===

Выполненный вариант задания необходимо прислать письмом по адресу ''bayesml@gmail.com'' с темой «Задание 1. ФИО, номер группы». Убедительная просьба присылать выполненное задание '''только один раз''' с окончательным вариантом. Новые версии будут рассматриваться только в самом крайнем случае. Также убедительная просьба строго придерживаться заданной выше спецификации реализуемых функций. Очень трудно проверять большое количество заданий, если у каждого будет свой формат реализации. 

Письмо должно содержать:
*PDF-файл с описанием проведенных исследований
*HMM_GENERATE.m
*HMM_TEST.m
*HMM_EM_TRAIN.m
*Ссылка на видео-файл, размещенный на файлообменнике или на видео-хостинге, с наложенными поведенческими актами. Лучше вставить видео-файл непосредственно внутрь PDF-файла с отчетом (это можно сделать, например, в программе Adobe Acrobat 9 и выше). Тогда нужно прислать ссылку на этот PDF-файл.
*Набор вспомогательных файлов при необходимости

== Вариант 2 ==

=== Формулировка задания ===
Рассматривается линейная динамическая система (ЛДС), в которой полное правдоподобие задается как:
<center>
<tex>
p(X,T|\theta)=p(t_1)\prod_{n=2}^Np(t_n |t_{n-1})\prod_{n=1}^Np(x_n |t_n ),\\
p(t_n|t_{n-1})=\mathcal{N}(t_n|At_{n-1},\Gamma),\\
p(x_n|t_n)=\mathcal{N}(x_n|Ct_n,\Sigma),\\
p(t_1)=\mathcal{N}(t_1|\mu_0,V_0).
</tex>
</center>

Все переменные модели являются непрерывными, т.е. <tex>t_n\in\mathbb{R}^D,\ x_n\in\mathbb{R}^d</tex>. Параметры модели <tex>A,\Gamma,V_0\in\mathbb{R}^{D\times D},\ C\in\mathbb{R}^{d\times D},\ \Sigma\in\mathbb{R}^{d\times d},\ \mu_0\in\mathbb{R}^D</tex>.

Данную ЛДС нужно использовать для решения задачи сопровождения (трекинга) объекта в пространстве. В частности, необходимо отфильтровать центр масс мыши на каждом кадре в видео-записи ее поведения в клетке.

Для выполнения задания необходимо:
* Реализовать алгоритм генерации выборки из вероятностной модели ЛДС;
* Реализовать алгоритм онлайн фильтрации сигнала с помощью фильтра Калмана;
* Реализовать алгоритм уточнения фильтрации сигнала с помощью РТС уравнений;
* Реализовать ЕМ-алгоритм обучения СММ при заданной размерности <tex>D</tex>. При этом часть параметров ЛДС также может быть задана пользователем;
* Реализовать алгоритм генерации траектории движения абстрактного объекта в двухмерном пространстве. Способ генерации такой траектории отдается на выбор студента;
* Протестировать реализованные алгоритмы на модельных данных;
* Отфильтровать центр масс мыши в видео-сигнале с помощью реализованных алгоритмов. Выбор параметров фильтрации отдается на выбор студента. Способ выбора этих параметров необходимо отразить в отчете;
* Наложить исходную траекторию центра масс мыши и отфильтрованную траекторию на видео с поведением;
* Написать отчет в формате PDF с описанием всех проведенных исследований. Данный отчет должен, в частности, включать в себя графики фильтрации сгенерированных траекторий, а также графики фильтрации центра масс мыши в увеличенном разрешении.

=== Спецификация реализуемых функций ===

{|class="standard"
 !''Генерация выборки''
 |-
 |[X, T] = LDS_GENERATE(N, A, G, C, S, mu0, V0)
 |-
 |ВХОД
 |-
 |
 {|border="0"
  |N — количество точек в генерируемой последовательности, uint32;
  |-
  |A — матрица преобразования среднего в последовательности <tex>t</tex>, матрица типа double размера D x D;
  |-
  |G — ковариационная матрица для распределения <tex>p(t_n|t_{n-1})</tex>, матрица типа double размера D x D;
  |-
  |C — матрица преобразования среднего при переходе от <tex>t_n</tex> к <tex>x_n</tex>, матрица типа double размера d x D;
  |-
  |S — ковариационная матрица для распределения <tex>p(x_n|t_n)</tex>, матрица типа double размера d x d;
  |-
  |mu0 — мат.ожидание априорного распределения <tex>p(t_1)</tex>, матрица типа double размера 1 x D;
  |-
  |V0 — ковариационная матрица априорного распределения <tex>p(t_1)</tex>, матрица типа double размера D x D.
  |}
 |-
 |ВЫХОД
 |-
 |
 {|
  |X — сгенерированная наблюдаемая последовательность, матрица типа double размера N x d
  |-
  |T — последовательность скрытых состояний, матрица типа double размера N x D
  |} 
 |}

Обратите внимание: в процедуре LDS_GENERATE параметры D и d определяются неявно по размеру соответствующих элементов.

{|class="standard"
 !''Фильтр Калмана и РТС уравнения''
 |-
 |[Mus_back, Sigmas_back, Mus_fwd, Sigmas_fwd, LH, J] = LDS_forwardbackward(X, A, G, C, S, mu0, V0)
 |-
 |ВХОД
 |-
 |
 {|
  |X — входная последовательность, матрица типа double размера N x d, где N – количество точек в последовательности, d – количество признаков;
  |-
  |A — матрица преобразования среднего в последовательности <tex>t</tex>, матрица типа double размера D x D;
  |-
  |G — ковариационная матрица для распределения <tex>p(t_n|t_{n-1})</tex>, матрица типа double размера D x D;
  |-
  |C — матрица преобразования среднего при переходе от <tex>t_n</tex> к <tex>x_n</tex>, матрица типа double размера d x D;
  |-
  |S — ковариационная матрица для распределения <tex>p(x_n|t_n)</tex>, матрица типа double размера d x d;
  |-
  |mu0 — мат.ожидание априорного распределения <tex>p(t_1)</tex>, матрица типа double размера 1 x D;
  |-
  |V0 — ковариационная матрица априорного распределения <tex>p(t_1)</tex>, матрица типа double размера D x D.
  |-
  |}
 |-
 |ВЫХОД
 |-
 |
 {|
  |Mus_back — мат. ожидания распределений <tex>p(t_n|X)</tex>, матрица типа double размера N x D;
  |-
  |Sigmas_back — ковариационные матрицы распределений <tex>p(t_n|X)</tex>, массив типа double размера D x D x N, где Sigmas(:,:,n) является матрицей ковариации для момента времени n;
  |-
  |Mus_fwd — мат. ожидания распределений <tex>p(t_n|x_1,\dots,x_n)</tex>, матрица типа double размера N x D;
  |-
  |Sigmas_fwd — ковариационные матрицы распределений <tex>p(t_n|x_1,\dots,x_n)</tex>, массив типа double размера D x D x N;
  |-
  |LH — логарифм неполного правдоподобия <tex>\log p(X|A,\Gamma,C,\Sigma,\mu_0,V_0)</tex>, double;
  |-
  |J — матрицы J, массив типа double размера D x D x N-1;
  |-
  |}
 |}

&nbsp;

{|class="standard"
 !''Обучение''
 |-
 |[A, G, C, S, mu0, V0] = LDS_EM_TRAIN(X, D, InputParameters)
 |-
 |ВХОД
 |-
 |
 {|
  |X — входная последовательность, матрица типа double размера N x d, где N – количество точек в последовательности, d – число признаков;
  |-
  |D — размерность пространства скрытых состояний, число типа uint16;
  |-
  |InputParameters — (необязательный аргумент) набор дополнительных параметров, массив типа cell вида ParameterName1, ParameterValue1, ParameterName2, ParameterValue2 и т.д. Возможны следующие параметры:
  |-
  |&nbsp;&nbsp;'A' — задаваемая пользователем матрица преобразования среднего в распределении <tex>p(t_n|t_{n-1})</tex>(соответственно, ее не нужно определять в процессе EM-итераций);
  |-
  |&nbsp;&nbsp;'G' — задаваемая пользователем матрица ковариации <tex>p(t_n|t_{n-1})</tex>;
  |-
  |&nbsp;&nbsp;'C' — задаваемая пользователем матрица преобразования среднего в распределении <tex>p(x_n|t_n)</tex>;
  |-
  |&nbsp;&nbsp;'S' — задаваемая пользователем матрица ковариации в распределении <tex>p(x_n|t_n)</tex>;
  |-
  |&nbsp;&nbsp;'num_iter' — максимально допустимое число итераций EM-алгоритма (по умолчанию = 100);
  |-
  |&nbsp;&nbsp;'tol_LH' — минимально допустимая величина отклонения по значению логарифма правдоподобия на одной итерации (по умолчанию = <tex>10^{-2}</tex>);
  |}
 |-
 |ВЫХОД
 |-
 |
 {|
  |-
  |A — матрица преобразования среднего в последовательности <tex>t</tex>, матрица типа double размера D x D;
  |-
  |G — ковариационная матрица для распределения <tex>p(t_n|t_{n-1})</tex>, матрица типа double размера D x D;
  |-
  |C — матрица преобразования среднего при переходе от <tex>t_n</tex> к <tex>x_n</tex>, матрица типа double размера d x D;
  |-
  |S — ковариационная матрица для распределения <tex>p(x_n|t_n)</tex>, матрица типа double размера d x d;
  |-
  |mu0 — мат.ожидание априорного распределения <tex>p(t_1)</tex>, матрица типа double размера 1 x D;
  |-
  |V0 — ковариационная матрица априорного распределения <tex>p(t_1)</tex>, матрица типа double размера D x D.
  |-
  |}
 |}

&nbsp;

{|class="standard"
 !''Генерация траектории''
 |-
 |X = TRAJECTORY_GENERATE(N)
 |-
 |ВХОД
 |-
 |
 {|
  |-
  |N — длина генерируемой траектории, uint32;
  |-
  |}
 |-
 |ВЫХОД
 |-
 |
 {|
  |-
  |X — сгенерированная траектория движения объекта в двухмерном пространстве, матрица типа double размера N x 2;
  |-
  |}
 |}

=== Рекомендации по выполнению задания ===

* При тестировании ЕМ-алгоритма обучения ЛДС рекомендуется убедиться в том, что значение неполного правдоподобия <tex>\log p(X|A,\Gamma,C,\Sigma,\mu_0,V_0)</tex> монотонно увеличивается в итерациях.
* Простейшим способом генерации траектории объекта является генерация по скорости и ускорению, где ускорение иногда меняет величину и направление.
* Один из вариантов тестирования реализованных алгоритмов на основе ЛДС следующий:
** Сгенерировать траекторию движения объекта
** Добавить к траектории случайный нормальный шум
** Отфильтровать зашумленную траекторию с помощью фильтра Калмана; убедиться, что отфильтрованный сигнал ближе к истинной траектории, чем входной зашумленный сигнал.
** Отфильтровать зашумленную траекторию с помощью РТС уравнений; убедиться, что результат является более точным по сравнению с фильтром Калмана.
* При тестировании генерации из модели ЛДС рекомендуется эксперимент с двухмерным сигналом, чтобы убедиться в корректности задаваемых корреляций
* Для наложения траектории движения на видео рекомендуется следующая процедура:
** Загрузить в MATLAB изображения с названиями поведенческих актов с помощью ''imread''
** Небольшими блоками загружать в MATLAB кадры видео с помощью ''aviread'', накладывать на них траекторию движения за последние 300 кадров и сохранять полученные кадры в виде отдельных JPG картинок на диск с помощью ''imwrite''. Сохраненные картинки должны иметь название XXXXX.jpg, где XXXXX — номер кадра.
** Собрать полученные картинки в видео-файл с помощью бесплатной программы [http://www.virtualdub.org/ VirtualDub]. Для этого достаточно открыть первую картинку в программе (остальные загрузятся автоматически), установить частоту кадров 25fps, установить кодек (рекомендуется DivX) и сгенерировать AVI-файл.

=== Данные для выполнения задания ===

[http://narod.ru/disk/8645012001/CG1OFD1_input.avi.html Видео-файл]

[http://narod.ru/disk/8645639001/frames_data.mat.html MAT-файл], содержащий данные для каждого кадра видео. В нем находится массив структур, где каждая структура соответствует одному кадру, а поля структуры имеют следующее значение:
* frame_number — номер кадра видео
* centre — координаты центра масс мыши
* nose — координаты предполагаемой точки носа мыши
* tail — координаты предполагаемой точки основания хвоста мыши
* contour — координаты точек контура мыши
* dist_centre — расстояние от центра масс мыши до центра арены
* dist_border — расстояние от центра масс мыши до ближайшей границы арены
* eigen_features — проекции контура мыши на собственные контура, полученные с помощью метода главных компонент
Для фильтрации траектории движения мыши понадобятся только значения координат центра масс мыши.

[[Media:SMAIS11_calc_line.rar|RAR архив]] с процедурой для MatLab, которая строит пиксельное представление линии по координатам начала и конца линии.

=== Оформление задания ===

Выполненный вариант задания необходимо прислать письмом по адресу ''bayesml@gmail.com'' с темой «Задание 1. ФИО, номер группы». Убедительная просьба присылать выполненное задание '''только один раз''' с окончательным вариантом. Новые версии будут рассматриваться только в самом крайнем случае. Также убедительная просьба строго придерживаться заданной выше спецификации реализуемых функций. Очень трудно проверять большое количество заданий, если у каждого будет свой формат реализации. 

Письмо должно содержать:
*PDF-файл с описанием проведенных исследований
*LDS_GENERATE.m
*LDS_forwardbackward.m
*LDS_EM_TRAIN.m
*TRAJECTORY_GENERATE.m
*Ссылка на видео-файл, размещенный на файлообменнике или на видео-хостинге, с наложенными исходной и фильтрованной траекториями движения центра масс мыши. Лучше вставить видео-файл непосредственно внутрь PDF-файла с отчетом (это можно сделать, например, в программе Adobe Acrobat 9 и выше). Тогда нужно прислать ссылку на этот PDF-файл.
*Набор вспомогательных файлов при необходимости

[[Категория:Учебные курсы]]
[[Категория:Байесовские методы]]
Шаблоны, использованные на текущей версии страницы:
Возврат к странице Структурные методы анализа изображений и сигналов (курс лекций)/2011/Задание 1.
Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%A1%D1%82%D1%80%D1%83%D0%BA%D1%82%D1%83%D1%80%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9_%D0%B8_%D1%81%D0%B8%D0%B3%D0%BD%D0%B0%D0%BB%D0%BE%D0%B2_%28%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%29/2011/%D0%97%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D0%B5_1»
Просмотр

Материал из MachineLearning.

Просмотры

Личные инструменты

Навигация

Поиск

Инструменты
