How PR(Pattern Recognition) works?

Pattern Recognition System

---

Data Acquisition and Sensing

- 물리적인 변수를 측정(거리 측정, 음성 데이터 감지 등)

- 해상도, 감도, 왜곡, 노이즈 등의 이슈 존재

Pre-processing 

- 전체 데이터에서 노이즈(이상치 등) 제거

Feature Extraction

- 전처리(Pre-processing)한 데이터에서 feature 추출

Model Learning 

- AI Model(seq2seq, tree boosting, etc)에 feature 집어넣어 input(feature)와 outcome(classes 혹은 categories)간의 맵핑을 학습

Classification

- 학습된 model을 사용하여 input 된 feature를 특정 class로 지정.

- 예> 생선 길이를 이용하여 생선종류 구분하는 경우

생선의 길이 X= feature

생선종류 = 클래스(농어 혹은 연어)

X feature를 받아 학습된 model로 Classification 하면 농어 혹은 연어 class로 지정해준다.

Post-processing

- 결정에 대한 신뢰도 평가

- 시스템 성능 향상을 위한 context 활용

Design Cycle

---

Collect Data

- training, test data 수집

- 데이터 수집에 많은 비용이 들 수 있다.

- 수집한 데이터의 양이 충분한지 어떠한 기준으로 판단할 것인가?

Choose Features

- 도메인 지식에 의존적일 수 있다. feature를 선택하는 사람의 주관적인 생각이 들어간다.

- Model에 집어 넣을 feature들을 선택, 추출한다.

- Discriminative features

- 비슷한 패턴들은 비슷한 벨류를 가진다.

- 서로 다른 패턴들은 서로 다른 벨류를 가진다.

- Feature는 translation, rotation, scale 변환에서 과정에서 불변해야 한다.

- Feature는 occlusion, distortion, deformation, and variations의 환경에서 불변해야한다.

Choose Model

- 도메인 지식에 의존적일 수 있다. model를 선택하는 사람의 주관적인 생각으로 선택하기 때문

- 어떤 종류의 classifier을 사용할 것인가?

- 직면한 문제에 대한 가장 좋은 해결책은 무엇인가?

- 만약 선택한 모델이 적합하지 않다면 교체시기를 어떻게 결정할 것인가.

Train Classifier

- 데이터에서 규칙을 어떻게 학습할 수 있는가?

- classifier의 파라미터들을 학습시켜 클래스에 피팅 과정

- 많은 방법들이 있다. 예로 지도학습, 비지도학습

Evaluate Classifier

- 시스템의 성능을 어떻게 추정할 수 있는가?

- 시스템 개선의 필요성 확인

- 오버피팅 및 일반화.

오버피팅 - 주어진 데이터에 너무 맞춤형으로 학습이 되어 주어진 데이터에서는 굉장히 높은 정확도를 보이지만 다른 데이터에서는 굉장히 낮은 정확도를 불러 일으킨다.

일반화 - 특정 데이터 셋에만이 아닌 일반적으로도 다른 데이터 셋에 잘 맞아 떨어지도록 만드는 것