If you can't read please download the document
Upload
rafael-pinto
View
379
Download
1
Embed Size (px)
Citation preview
Slow Feature Analysis
Rafael C.P.
Roteiro
Motivao
Formulao
Experimentos
Concluses
Slow Feature Analysis
Problema:Sinais sensoriais primrios variam rapidamente...
...mas o ambiente no
Como extrair caractersticas invariantes do ambiente?
Slow Feature Analysis
Objetivo:Invarincia a partir do tempo
Encontrar uma funo g(x) que mapeie um conjunto de sinais x em um novo conjunto y, ordenado por lentido
Slow Feature Analysis
Exemplo:3 fotoreceptores so monitorados
As letras S, F e A passam pelo campo visual
Slow Feature Analysis
Exemplo (cont.):Sinais visuais primrios variam rapidamente
Sinais de mais alto nvel representam identidade e local, e variam lentamente
Slow Feature Analysis
Exemplo em ambiente real:Vdeo de um macaco
Sinais visuais primrios variam rapidamente
Sinais de mais alto nvel extrados representam identidade e local
Formulao
Entrada: x(t) = [x1(t), , xI(t)]T
Sada: g(x) = [g1(x),...,gJ(x)]T
Sada: y(t) = [y1(t),...,yJ(t)]T yj(t) := gj(x(t))
Minimizar j := (yj) := 2jjyj = 0 (mdia 0)
y2j = 1 (varincia 1)
j' < j:yj'yj = 0 (descorrelao)
Soluo Proposta
Simplificando: g(x) pode ser uma combinao linear de K funes no-lineares aplicadas sobre o sinal de entrada:gj(x) : = Kk=1 wjkhk(x)
z(t) := h(x(t)) pode ser tratado como um problema linear
yj(t) := wTjz(t)
h pode ser obtido por uma esferizao do sinal de entrada, obtendo mdia 0 e covarincia unitria
Soluo Proposta
Objetivo reescrito:
Minimizar j := (yj) := 2j := wTjTwjj
Reescrevendo as restries:yj = wTjz = 0(z = 0)
y2j = wTjzzTwTj = 1(zzT = I, wTjwj = 1)
j' < j:yj'yj = wTj'zzTwTj = 0(zzT = I, wTj'wj = 0)
Logo, w precisa ser um conjunto de vetores ortonormais
Soluo Proposta
Soluo: Autovetores normalizados de T
Autovetor correspondente ao menor autovalor a soluo tima
Autovetores subsequentes representam sinais com variaes temporais maiores, incrementalmente
Algoritmo
Normalizao
Expanso (opcional)
Esferizao
Diferenciao
PCA
Repetio (opcional)
Normalizao
Os dados de entrada so normalizados pela subtrao da mdia e diviso pelo desvio padro
Dados resultantes possuem mdia 0 e desvio padro 1
Expanso (opcional)
Dados expandidos no-linearmente para um espao de dimenso maior
A partir da, o problema tratado como linear
Mais comum: expanso quadrtica (SFA2)
Sem expanso: linear (SFA1)
Esferizao (Sphering/Whitening)
Usa-se PCA (ou SVD) para que a matriz de covarincia dos dados expandidos torne-se a identidade
S(z(t) - z)
S = VD-1/2VT
Diferenciao
Como queremos encontrar os autovetores de T, precisamos diferenciar os dados ao longo do tempo para obter
PCA
PCA (ou SVD) usado para efetivamente encontrar os autovetores de T, a matriz w
Multiplicando-se w por z obtemos os dados transformados
Repetio (opcional)
Em vez de fazer uma expanso muito grande (cbica ou mais), usa-se a expanso quadrtica apenas
Aps obter y, ele tratado como novos dados de entrada x e passado novamente pelo algoritmo
Efetivamente faz expanses maiores com menor custo
Experimentos
Campos receptivos
Extrao de foras
Reconhecimento de dgitos
Reconhecimento de objetos
Reconhecimento de aes
Reconhecimento de gestos
Campos Receptivos
Os filtros produzidos pelo SFA so similares aos encontrados no crtex visual primrio
Extrao de Foras
Extrao da fora por trs do mapa logstico (srie temporal catica)
Reconhecimento de Dgitos
No h estrutura temporal em um conjunto de dgitos...
...ento ela forjada mostrando sequncias de variaes dos mesmos dgitos para o SFA
Caractersticas extradas pelo SFA so usadas como entrada em algoritmos de classificao
\
Reconhecimento de Objetos
SFA consegue extrair sinais que representam diferentes objetos sob diferentes transformaes
Reconhecimento de Aes
Reconhecimento de gestos
Concluses
SFA permite extrair caractersticas de alto nvel de sinais de baixo nvel
As caractersticas extradas variam lentamente no tempo, possuindo diversas invarincias
As caractersticas extradas podem ser usadas em classificadores de padresAlm de aumentar a eficincia com a reduo de dimensionalidade, fornecem informaes mais teis
Referncias
Wiskott L. and Sejnowski T.J. - Slow Feature Analysis: Unsupervised Learning of Invariances Neural Computation 2002
Wiskott L., Berkes P., Franzius M., Sprekeler H. and Wilbert, N. - Slow feature analysis Scholarpedia (http://www.scholarpedia.org/article/Slow_feature_analysis, acessado em 07/2012)
Nickisch H. - Extraction of visual features from natural video data using Slow Feature Analysis Thesis 2006
M. Franzius, N. Wilbert, L. Wiskott - Invariant Object Recognition with Slow Feature Analysis - 18th International Conference on Artificial Neural Networks 2008
Berkes, P. - Pattern Recognition with Slow Feature Analysis - Cognitive Sciences EPrint Archive (CogPrints) 4104, 2005
Muokkaa otsikon tekstimuotoa napsauttamalla
Muokkaa jsennyksen tekstimuotoa napsauttamallaToinen jsennystasoKolmas jsennystasoNeljs jsennystasoViides jsennystasoKuudes jsennystasoSeitsems jsennystasoKahdeksas jsennystasoYhdekss jsennystaso