Apprendimento di movimenti della
testa tramite Hidden Markov Model
Relatore:
Candidato:
Prof.ssa Fiora Pirri
Anna Belardinelli
Università degli Studi di Roma “La Sapienza”
Facoltà di Ingegneria
Corso di Laurea in Ingegneria Informatica
Overview
Apprendimento automatico
Scienze
Cognitive
Apprendimento
imitativo
Esperimento
apprendimento di
movimenti della
testa
Metodi
probabilistici
Applicazioni all’Ingegneria
Robotica mobile
 Sicurezza e sorveglianza
 Assistenza a soggetti disabili
 Interfacce uomo-macchina
 Strumentazione per video-conferenza
 Informatica grafica
…

Apprendimento Automatico
Apprendiment
o
supervisionat
o
Reti Neurali
Alberi di decisione
non
supervisionat
o
Maximum Likelihood
Clustering
con rinforzo
Markov Decision
Process
Q-learning
Apprendimento per imitazione

Approccio innovativo mutuato dalle
Scienze Cognitive (Rao, Shon, Meltzoff,
2004)

Vantaggi
maggior adattabilità in ambienti dinamici
 riduzione dei costi di programmazione per
compiti specifici
 processo di apprendimento più efficiente
e veloce

Apprendimento per imitazione
Approccio tradizionale vs. probabilistico

Metodi tradizionali
presentano limiti
nell’elaborazione e
memorizzazione delle
incertezze del mondo
reale

Metodi probabilistici
gestiscono meglio la
natura stocastica
del mondo reale
I metodi probabilistici risultano più adatti all’apprendimento per
imitazione in ambienti realistici, dinamici e rumorosi,
caratteristica necessaria per lo sviluppo di sistemi artificiali
autonomi.
Es.: filtro di Kalman, particle filtering, metodi Monte Carlo, Hidden Markov
Model
Markov Chain Monte Carlo:
l’algoritmo di Metropolis-Hastings
Generare campioni x che approssimino una
Idea: distribuzione obiettivo p(x) usando un meccanismo
a catena di Markov.
 Si inizializza
 for i=0 to N-1
x
(0)
Hidden Markov Model (HMM)
Elementi:

N, numero degli stati
(nascosti) del modello
 M, numero dei simboli
osservabili
 A, matrice delle
probabilità di transizione
tra gli stati
 B, matrice delle
probabilità di emissione
dei simboli
 ∏, distribuzione iniziale
degli stati
Assunzione markoviana
Genesi del modello e
schema di apprendimento


Scopo: imparare a seguire i movimenti della testa come
compito base per implementare un modello di attenzione
condivisa tra sistema artificiale e utente umano (Nagai, 2005).
L’imitazione è il risultato dell’osservazione, della
classificazione e della scelta del modello da riprodurre.
OSSERVAZIONE
COMPUTER
APPRENDIMENTO
UOMO
ADATTAMENTO
Architettura cognitiva
imitazione
osservazione
Fase di osservazione

Segmentazione tramite K-mean di
un frame ogni 5 e selezione della
testa.

Calcolo della posizione del centro
della testa e degli spostamenti
relativi tra un frame e l’altro.
Da ogni video si è prodotto un vettore di coppie
di elementi del tipo
Produzione dei dati di addestramento
Per generalizzare il modello osservato
l’apprendimento deve avvenire su sequenze
di spostamenti simili alla sequenza vista
200 sequenze di campioni di spostamenti lungo
l’asse x e l’asse y ottenute fornendo all’algoritmo di
Metropolis il vettore degli spostamenti e la
distribuzione Gaussiana da cui campionare
Modellazione con HMM





N= direzioni degli spostamenti discretizzate su 9 casi
possibili
M= spostamenti rilevati con la segmentazione,
classificati in 9 combinazioni possibili
A= matrice delle probabilità di transizione tra le
direzioni degli spostamenti
B= matrice delle emissioni dati gli stati
∏= tutte le direzioni sono inizialmente equiprobabili
Addestramento del modello

Tramite le formule di Baum-Welch che
ristimano i parametri del modello (A e B)
in modo che sia massimizzata la
probabilità delle osservazioni di
addestramento
Riconoscimento
Tramite l’algoritmo di Viterbi viene
riconsiderata la sequenza iniziale di
osservazioni e, in base ai nuovi
parametri stimati, ricostruita la sequenza
di stati che più probabilmente l’ha
prodotta.
 Risultati: coincidenza tra stati ricostruiti
e stati effettivi superiore ai 2/3 del totale.

Fase di imitazione
Risultati 1
Fase di imitazione
Risultati 2
Conclusioni e sviluppi futuri

Il sistema ha appreso ad imitare modelli di
spostamenti della testa, fornendo buoni
risultati di riconoscimento

E’ opportuno applicare la capacità imitativa
anche alle distanze coperte dagli
spostamenti

L’implementazione di una memoria associativa
che operi il pattern matching aumenterà la
versatilità del sistema