Reconocimiento de Patrones

Inicio      Temario      Recursos      Prácticas      Tareas      Proyecto FInal     

Inicio

Asignatura: Reconocimiento de Patrones

Profesores:
Dr. Boris Escalante Ramírez
Dra. Olveres Montiel Jimena

Ayudante:
Rosario Cruz

Temario

Tema Título Lectura y presentaciones
1 Conceptos básicos de reconocimiento de patrones Statistical Pattern Recognition: A Review

 

 

 

 

 

 

 

 

Classification in Pattern Recognition: A Review

1.1 Introducción al reconocimiento de patrones  
1.2 Problemas fundamentales en el diseño de un sistema de reconocimiento de patrones.  
1.3 Ejemplos de sistemas automáticos de reconocimiento de patrones.  
2 Funciones de decisión  
2.1 Funciones de decisión lineales y generalizadas  
2.2 Espacio generado por los patrones y las constantes de peso. Vectores y espacios de características  
2.3 Propiedades geométricas  
2.4 Instrumentación de las funciones de decisión  
2.5 Sistemas de funciones ortogonales  
2.6 Clasificación y regresión Regresión Lineal y Gradiente
2.7 Bases de datos en imágenes y su importancia en el área de reconocimiento de patrones y aprendizaje de máquina Bases de datos
3 Clasificación de patrones por medio de funciones estadísticas Teoría de detección y Bayes
Estimación Bayesiana
3.1 Revisión de probabilidad: densidad y momentos de una variable aleatoria. Densidad, correlación y covarianzas de vectores de variables aleatorias. Densidades condicionales  
3.2 Clasificación de patrones como un problema de decisión estadístico (Maxima verosimilitud)  
3.3 Clasificación de Bayes (Naive Bayes)  
4 Extracción de características I  
4.1 Texturas Textura Estadisticos
Artículo “Texture Feature Extraction Methods”
4.1.1 GLCM – coocurrencia Tutorial GLCM
4.1.2 LBP LBPs
4.1.3 Superpixeles Superpixeles
5 Clasificación de patrones por medio de funciones de distancia  
5.1 Medidas de distancia (Euclidiana, Mahalanobis, histogramas, etc) Distancias
5.2 Medidas de similitud  
5.3 Agrupamiento de datos: K-medias, LBG e Isodata  
6 Extracción de características II  
6.1 Contornos y estructuras fundamentales  
6.1.1 Filtros  
6.1.2 Detector de Canny Canny
6.1.3 Detector de Harris Introduction to Harris Corner Detector
Harris Detector
6.2 Pirámides, SIFT SIFT
6.3 Extracción de características por transformación  
6.3.1 Transformada de Fourier  
6.3.2 Transformada de Gabor  
6.3.3 Transformada de Hermite  
7 Experimentación, métricas de clasificación y reducción de características  
7.1 Errores, exactitud y precisión, error medio cuadrado  
7.2 Matriz de confusión  
7.3 Curva ROC  
7.4 PCA y LDA PCA
7.5 Métodos de experimentación  
8 Reconocimiento de patrones sintácticos  
8.1 Conceptos de la teoría de lenguajes formales  
8.2 Descripción de patrones sintácticos  
8.3 Gramáticas de reconocimiento  
8.3.1 Reconocimiento de sintaxis  
8.3.2 Reconocimiento usando estructuras en forma de árbol  
8.4 Reconocimiento de patrones usando autómatas  

Recursos

Bibliografía básica:

  1. Beyerer, J., Richter, M. and Nagel, M. (1974). Pattern recognition. Massachussets: Addison-Wesley Pub Co.
  2. Duda, Hart and Stork, John Wiley & Sons. Pattern Classification (ISBN-10- 0471056693)-2001.
  3. C. M Bishop, Pattern Recognition and Machine Learning. Springer, 2006.
  4. Schalkoff, R. (1992). Pattern recognition. New York, N.Y. Wiley.
  5. Theodoridis, S. and Koutroumbas, K. (n.d.). Pattern recognition. Amsterdam: Elsevier/Acad. Press.

Bibliografía complementaria:

  1. Duda, R., Stork, D. and Hart, P. (2000). Pattern classification and scene analysis. New York: Wiley.
  2. Fukunaga, K. (1990). Introduction to Statiscal Pattern Recognition. New York: Academic Press.
  3. Fu, K. (1974). Syntactic methods in pattern recognition. London: Academic Press.
  4. González, R.C , Woods P. Digital Image Processing. Addison Wesley, 1992.

Prácticas

  1. Práctica 1: Manejo básico de imágenes. [Imagenes.zip]. [Imagenes2.zip].
    Ejercicios básicos de imágenes. [contour_gray.png].
    Entrega: Mie 19-Feb.
  2. Práctica 2: Clasificador Bayesiano. [Fórmulas]. [Imágenes].
    Entrega: Mie 01-Abr.
  3. Práctica 3: Caracterización y clasificación de texturas. [Texturas.zip]. [imgTexturas2.zip].
    Entrega: Lun 27-Abr (Parte A). Mie 29-Abr (Parte B).
  4. Práctica 4: Eigenfaces
    Entrega: Lun 25-May.

Tareas

  1. Tarea 1: Ejercicios con datos Iris. [PDF y datos Iris].
    Entrega: Mie 11-Mar.

Proyecto Final

Proyecto sobre Covid-19.
Recurso auxiliar: [Imaging Findings of CoVID-19]
Rúbrica: [Rúbrica de Proyectos]
Entrega: Mie 10-Jun.