Não sei se é o sono (:-)), mas eu não estou conseguindo entender o que é para fazer no terceiro E.P.
Vou dar um chute e peço que corrijam o que estiver errado, por favor:
1) Extrair conjuntos de pixels de todas as (6) imagens dadas, a partir de três regiões de cada uma.
2) Colocar todos os pixels extraídos (independentemente da imagem, da cor etc.) num mesmo conjunto P.
3) Realizar uma 3-partição qualquer de P, gerando P1, P2 e P3, com |P1| = |P2| = |P3|.
4) A partir de cada conjunto Pi, definir um classificador Mi, que seja capaz de, dada uma cor (x,y), colocá-la na classe "é cor de pele" ou na classe "não é cor de pele".
5) Utilizar o modelo M1 para classificar os pixels de P2 e de P3, observando a quantidade de erros.
6) Realizar operação análoga com os outros dois modelos.
7) Selecionar o melhor modelo, dentre M1, M2 e M3. Digamos, Mm = "melhor"{M1,M2,M3}.
8) Utilizar o modelo Mm para classificar todos os pixels de todas as (6) imagens dadas.
Alguém entendeu diferente?
Obrigado.
Abraços.
Igor.
Eu entendi diferente. Quando o enunciado diz
* para cada uma das amostras de cor de pele, crie vetores contendo todos os pixels de cada amostra.
Eu acho que devemos criar vetores apenas para os pixels de cor de pele. Acredito que a idéia seja encontrar uma distribuição para estes pixels e, no classificador, utilizarmos esta distribuição.
Se estivéssemos projetando um classificador Bayesiano, aí sim eu acho que deveríamos utilizar as duas classes "pele" e "não pele" e proceder mais ou menos como você escreveu acima.
Alguém entendeu ainda mais diferente?
[]s
th
* para cada uma das amostras de cor de pele, crie vetores contendo todos os pixels de cada amostra.
Eu acho que devemos criar vetores apenas para os pixels de cor de pele. Acredito que a idéia seja encontrar uma distribuição para estes pixels e, no classificador, utilizarmos esta distribuição.
Se estivéssemos projetando um classificador Bayesiano, aí sim eu acho que deveríamos utilizar as duas classes "pele" e "não pele" e proceder mais ou menos como você escreveu acima.
Alguém entendeu ainda mais diferente?
[]s
th
oi Igor,
"Usando pedacos de TODAS as imagens fornecidas selecione ao menos 3 regioes contendo APENAS cor de pele." entao, no seu item 1, e' so' cor de pele, ao menos 3 amostras. cada amostra vira um vetor (seu item 2), ou seja, 6 imagens x 3 amostras => 18 vetores. escolha 1/3 desses vetores (6 amostras de novo, veja bem que nao precisam ser apenas de 2 imagens, mas ate pode ser, e ate seriam interessantes se fossem
acho que o resto ta mais de acordo com o enunciado.
[]s
ht
ois,
deixo eu dar mais uma dica. Acho que a forma mais simples é considerar a distribuicao da cor de pele como gaussiana no espaco cromatico, que pode ser HS, ou rg-normalizado. O que é o rg-normalizado:
Sejam RGB o espaco de cor, entao o rg-normalizado é formado por r = R/(R+G+B) e g=G/(R+G+B).
Sendo a cor de pele uma gaussiana, o que é não cor de pele? Acho razoavel assumir que a probabilidade de nao pele é uniforme. Assim, usando o teorema de decisao de Bayes, essa probabilidade de nao cor de pele, que voce "define experimentalmente" funciona como um threshold sobre a "imagem de probabilidade" de cor de pele.
sera que deu para entender?
[]s
ht
Oi. Alguém poderia me ajudar com algumas dúvidas?
1. Devemos obter (no mínimo) três regiões com cor de pele de cada imagem. Essas regiões precisam ter o mesmo tamanho? Existe alguma limitação para os tamanhos das regiões ou número de pixels usados?
2. Cabe a nós fixar quais imagens farão parte de cada classe (usando o olhômetro por exemplo)? Ou já devemos ter um classificador que possa fazer isso automaticamente?
3. A idéia dos testes é, por exemplo, usar o classificador A, que "contém" 1/3 das imagens, para testar os 2/3 restantes, que são da classe B e C, e assim por diante?
Obrigado.
Fabiano.
1. Devemos obter (no mínimo) três regiões com cor de pele de cada imagem. Essas regiões precisam ter o mesmo tamanho? Existe alguma limitação para os tamanhos das regiões ou número de pixels usados?
2. Cabe a nós fixar quais imagens farão parte de cada classe (usando o olhômetro por exemplo)? Ou já devemos ter um classificador que possa fazer isso automaticamente?
3. A idéia dos testes é, por exemplo, usar o classificador A, que "contém" 1/3 das imagens, para testar os 2/3 restantes, que são da classe B e C, e assim por diante?
Obrigado.
Fabiano.
Oi, Fabiano.
Eu vou dizer mais ou menos como eu fiz, só para você poder comparar (ou seja: também não sei se eu fiz do jeito "certo").
1) Eu utilizei regiões de tamanhos diferentes (bem diferentes, na verdade). É difícil definir o que é pequeno ou grande, mas acho que posso dizer que usei algumas regiões bem pequenas (do tamanho de uma falange, por exemplo) e outras (a maioria) de tamanho médio (até pouco mais da metade do tamanho de um antebraço). Ah, sim! Só usei regiões retangulares (deste modo fica realmente difícil você exagerar no tamanho).
2) O meu programa cria as três classes automaticamente. Ou seja: você dá um conjunto de cores de pele e ele particiona o conjunto, cria as pdf's correspondentes etc. O método, portanto, funciona para qualquer conjunto de cores, embora eu tenha me inspirado nos dados do nosso problema para implementar o algoritmo.
3) Sim (esta eu tenho certeza, até segunda ordem ;-)). Mais especificamente, para cada par de modelos (M1, M2), você deve usar M1 para classificar os pixels de M2 e contar quantos deles o modelo M1 classificou como não-pele (ou seja: contar o número de erros).
DÚVIDA: a tabela do enunciado sugere que eu também devo utilizar, por exemplo, o modelo A para classificar os pixels do próprio A. Parece razoável, mas eu gostaria de uma confirmação. É isso mesmo?
Abraços.
Igor.
DÚVIDA: a tabela do enunciado sugere que eu também devo utilizar, por
exemplo, o modelo A para classificar os pixels do próprio A. Parece
razoável, mas eu gostaria de uma confirmação. É isso mesmo?
sim, eh isso mesmo.
A tabela é conhecida como confusion matrix, e é utilizada para comparar o desempenho dos classificadores. Dependendo do limiar que voce definiu, e cada classificador pode ter um limiar diferente, em todos os elementos que você utiliza para treinar são reconhecidos pelo classificador.
[]s
ht
sim, eh isso mesmo.
A tabela é conhecida como confusion matrix, e é utilizada para comparar o desempenho dos classificadores. Dependendo do limiar que voce definiu, e cada classificador pode ter um limiar diferente, em todos os elementos que você utiliza para treinar são reconhecidos pelo classificador.
[]s
ht