Reconocimiento de Patrones – Laboratorio Avanzado de Procesamiento de Imágenes

Inicio Temario Recursos Prácticas Trabajo Especial Proyecto FInal

Inicio

Asignatura: Reconocimiento de Patrones

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

Ayudantes:
Rosario Cruz
Mauricio Gómez

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
2.1.1	Espacio generado por los patrones y las constantes de peso. Vectores y espacios de características
2.1.2	Propiedades geométricas
2.1.3	Instrumentación de las funciones de decisión
2.1.4	Sistemas de funciones ortogonales
2.2	Clasificación y regresión	Regresión Lineal y Gradiente
2.3	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	Teoría de detección y estimación
3.3	Clasificación de patrones como un problema de decisión estadístico (Maxima verosimilitud)
3.4	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	Experimentación, métricas de clasificación y reducción de características
6.1	Errores, exactitud y precisión, error medio cuadrado
6.2	Matriz de confusión
6.3	Curva ROC
6.4	Análisis de componentes principales (PCA)	PCA
6.5	Análisis discriminantes lineal (LDA)
7	Reconocimiento de patrones sintácticos
7.1	Descripción de patrones sintácticos
7.2	Reconocimiento de sintaxis
7.3	Reconocimiento usando estructuras en forma de árbol
7.4	Aplicaciones en Procesamiento del Lenguaje Natural y escenas auditivas

Recursos

Bibliografía básica:

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

Bibliografía complementaria:

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

Prácticas

Práctica 1: Manejo básico de imágenes. [Imagenes.zip]. [Imagenes2.zip].
Ejercicios básicos de imágenes. [contour_gray.png].
Práctica 2: Clasificador Bayesiano. [Fórmulas]. [Imágenes].
Práctica 3: Caracterización y clasificación de texturas. [Texturas.zip]. [imgTexturas2.zip].
Práctica 4: Eigenfaces

Trabajo Especial

Ejercicios con datos Iris. [PDF y datos Iris].

Proyecto Final

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