Αναγνώριση προτύπων & ειδικά θέματα όρασης υπολογιστών

Εισαγωγή στην Αναγνώριση Προτύπων. Βασικές έννοιες. Μέθοδοι αναγνώρισης προτύπων. Μέθοδοι επιβλεπόμενης και μη επιβλεπόμενης μάθησης. Ταξινομητές Bayes και ταξινομητές Bayes ελάχιστου κόστους. Συναρτήσεις απόστασης. Ταξινόμηση με κριτήριο την μικρότερη απόσταση και τα Κ-κοντινότερα πρότυπα. Ομαδοποίηση. Ο αλγόριθμος Κ-means. Γραμμικές και μη γραμμικές συναρτήσεις απόφασης. Εκτίμηση της πυκνότητας πιθανότητας προτύπων. Παράθυρα Parzen. Μέθοδοι επιβλεπόμενης ταξινόμησης. Συναρτήσεις κόστους. Εξαγωγή και επιλογή χαρακτηριστικών. Μείωση διαστάσεων και προβλήματα διαστασιμότητας. Ανάλυση κύριων συνιστωσών. Γραμμική διαχωριστική ανάλυση. Ομαδοποίηση δεδομένων με μη επιβλεπόμενες τεχνικές. Γεωμετρία πολυδιάστατων δεδομένων. Αντιστοίχιση προτύπων.

Ανίχνευση και αναγνώριση αντικειμένων: αλγόριθμοι και εφαρμογές. Ανίχνευση αντικειμένων με χρήση διαφορετικών μεθόδων, π.χ. συνελικτικών νευρωνικών δικτύων (CNN) και παραλλαγών τους. Αναπαράσταση και ανακατασκευή εικόνας με τεχνικές αραιής κωδικοποίησης. Αύξηση χωρικής ανάλυσης εικόνας, από μια και μόνο μια εικόνα, με χρήση τεχνικών αραιής κωδικοποίησης καθώς και μεθόδου που βασίζεται σε συνελικτικά νευρωνικά δίκτυα. Αναγνώριση δραστηριότητας σε βίντεο. Μέθοδοι και εφαρμογές. Κρυμμένα Μαρκοβιανά Μοντέλα και παραλλαγές τους. Εφαρμογές όρασης υπολογιστών με χρήση πολυτροπικών δεδομένων.

Βιβλιογραφία

Σέργιος Θεοδωρίδης, Αναγνώριση Προτύπων, Broken Hill Publishers, 2011.

Christopher Bishop, Pattern Recognition and Machine Learning, Springer 2006.

Richard Szeliski, Computer Vision: Algorithms and Applications, Springer 2010