marcorealacci/master-degree-notes
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions

vault backup: 2025-01-04 16:30:37

Browse source
This commit is contained in:
Marco Realacci 2025-01-04 16:30:37 +01:00
parent c4a223f25d
commit 89bdca19a6
8 changed files with 125 additions and 62 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

177
.obsidian/workspace.json vendored
View file

@ -11,30 +11,62 @@
"id": "34cfdf6e8485642e",
"type": "leaf",
"state": {
"type": "pdf",
"type": "markdown",
"state": {
"file": "Biometric Systems/slides/Biometric_System___Notes.pdf",
"page": 17,
"left": -85,
"top": 428,
"zoom": 1.5
"file": "Foundation of data science/notes/8 Variational Autoencoders.md",
"mode": "source",
"source": false
},
"icon": "lucide-file-text",
"title": "Biometric_System___Notes"
"icon": "lucide-file",
"title": "8 Variational Autoencoders"
}
},
{
"id": "dee6b7fc799ba9d4",
"type": "leaf",
"state": {
"type": "markdown",
"type": "pdf",
"state": {
"file": "Biometric Systems/notes/13. Multi biometric.md",
"mode": "source",
"source": false
"file": "Biometric Systems/slides/LEZIONE6_Face recognition2D.pdf",
"page": 72,
"left": -373,
"top": 539,
"zoom": 0.8
},
"icon": "lucide-file",
"title": "13. Multi biometric"
"icon": "lucide-file-text",
"title": "LEZIONE6_Face recognition2D"
}
},
{
"id": "6dd2d86707236bd3",
"type": "leaf",
"state": {
"type": "pdf",
"state": {
"file": "Biometric Systems/slides/LEZIONE11_Fingerprints.pdf",
"page": 12,
"left": -173,
"top": 252,
"zoom": 1.1
},
"icon": "lucide-file-text",
"title": "LEZIONE11_Fingerprints"
}
},
{
"id": "6e01744dc56c5469",
"type": "leaf",
"state": {
"type": "pdf",
"state": {
"file": "Biometric Systems/slides/LEZIONE4_Face introduction and localization.pdf",
"page": 6,
"left": -129,
"top": 482,
"zoom": 1.2
},
"icon": "lucide-file-text",
"title": "LEZIONE4_Face introduction and localization"
}
},
{
@ -44,9 +76,9 @@
"type": "pdf",
"state": {
"file": "Biometric Systems/slides/LEZIONE12_MULBIOMETRIC.pdf",
"page": 14,
"page": 1,
"left": -8,
"top": 477,
"top": 552,
"zoom": 1.9210084033613448
},
"icon": "lucide-file-text",
@ -56,21 +88,51 @@
{
"id": "c74d17cfbe39864e",
"type": "leaf",
"state": {
"type": "markdown",
"state": {
"file": "Biometric Systems/notes/2. Performance indexes.md",
"mode": "source",
"source": false
},
"icon": "lucide-file",
"title": "2. Performance indexes"
}
},
{
"id": "a04fd1765772f474",
"type": "leaf",
"state": {
"type": "pdf",
"state": {
"file": "Biometric Systems/slides/LEZIONE9_Ear recognition.pptx.pdf",
"page": 8,
"left": -153,
"top": 5,
"zoom": 1.3
"file": "Biometric Systems/slides/LEZIONE8_Face antispoofing.pdf",
"page": 31,
"left": -226,
"top": 539,
"zoom": 1
},
"icon": "lucide-file-text",
"title": "LEZIONE9_Ear recognition.pptx"
"title": "LEZIONE8_Face antispoofing"
}
},
{
"id": "b0046265ddcac2a4",
"type": "leaf",
"dimension": 14.285714285714286,
"state": {
"type": "pdf",
"state": {
"file": "Biometric Systems/slides/LEZIONE2_Indici_di_prestazione.pdf",
"page": 36,
"left": -109,
"top": 380,
"zoom": 1.25
},
"icon": "lucide-file-text",
"title": "LEZIONE2_Indici_di_prestazione"
}
}
],
"currentTab": 1
]
}
],
"direction": "vertical"
@ -101,7 +163,7 @@
"state": {
"type": "search",
"state": {
"query": "",
"query": "train test",
"matchingCase": false,
"explainSearch": false,
"collapseAll": false,
@ -240,47 +302,48 @@
"companion:Toggle completion": false
}
},
"active": "dee6b7fc799ba9d4",
"active": "34cfdf6e8485642e",
"lastOpenFiles": [
"Biometric Systems/slides/LEZIONE12_MULBIOMETRIC.pdf",
"Biometric Systems/notes/13. Multi biometric.md",
"Biometric Systems/slides/LEZIONE9_Ear recognition.pptx.pdf",
"Foundation of data science/notes/3.1 Multi Class Logistic Regression.md",
"Foundation of data science/notes/4 L1 and L2 normalization - Lasso and Ridge.md",
"Foundation of data science/notes/3 Logistic Regression.md",
"Biometric Systems/slides/LEZIONE4_Face introduction and localization.pdf",
"Biometric Systems/slides/Biometric_System___Notes.pdf",
"Foundation of data science/slides/multiclass_crossentropy_biasvariance.pdf",
"Foundation of data science/slides/binary_classification.pdf",
"Foundation of data science/slides/FDS_linear_regression_w_notes.pdf",
"Foundation of data science/slides/IP CV Basics.pdf",
"Foundation of data science/slides/FDS_intro_new.pdf",
"Foundation of data science/slides/Variational Autoencoders.pdf",
"Biometric Systems/images/Pasted image 20241228171617.png",
"Biometric Systems/images/Pasted image 20241228174722.png",
"Biometric Systems/notes/4. Face detection.md",
"Biometric Systems/notes/6. Face recognition 2D.md",
"Foundation of data science/notes/7 Autoencoders.md",
"Foundation of data science/notes/6 PCA.md",
"Foundation of data science/notes/5 Neural Networks.md",
"Biometric Systems/slides/LEZIONE11_Fingerprints.pdf",
"Biometric Systems/notes/11. Fingerprints.md",
"Biometric Systems/notes/8 Face anti spoofing.md",
"Biometric Systems/notes/7. Face recognition 3D.md",
"Biometric Systems/notes/12. Iris recognition.md",
"Biometric Systems/slides/LEZIONE2bis_Indici_di_prestazione.pdf",
"Biometric Systems/slides/LEZIONE2_Indici_di_prestazione.pdf",
"Biometric Systems/notes/2. Performance indexes.md",
"Biometric Systems/notes/3. Recognition Reliability.md",
"Biometric Systems/notes/9. Ear recognition.md",
"Biometric Systems/notes/4. Face detection.md",
"Biometric Systems/notes/6. Face recognition 2D.md",
"Biometric Systems/slides/Biometric_System___Notes.pdf",
"Biometric Systems/slides/LEZIONE6_Face recognition2D.pdf",
"Biometric Systems/slides/LEZIONE4_Face introduction and localization.pdf",
"Biometric Systems/slides/LEZIONE12_MULBIOMETRIC.pdf",
"Biometric Systems/slides/LEZIONE8_Face antispoofing.pdf",
"Biometric Systems/notes/1. Introduction.md",
"Biometric Systems/notes/8 Face anti spoofing.md",
"Foundation of data science/notes/3.2 LLM generated from notes.md",
"Foundation of data science/notes/4 L1 and L2 normalization - Lasso and Ridge.md",
"Foundation of data science/notes/3.1 Multi Class Logistic Regression.md",
"Foundation of data science/notes/3 Logistic Regression.md",
"Foundation of data science/notes/2 Linear Regression.md",
"Foundation of data science/notes/Untitled.md",
"Foundation of data science/notes/9 Random Forest.md",
"Foundation of data science/notes/9 Decision tree.md",
"Foundation of data science/notes/9 K-Nearest Neighbors.md",
"Foundation of data science/notes/9 Gradient Boosting.md",
"Foundation of data science/slides/multiclass_crossentropy_biasvariance.pdf",
"Foundation of data science/slides/More on Neural Networks (1).pdf",
"Biometric Systems/notes/multi bio.md",
"Biometric Systems/notes/13. Multi biometric.md",
"Biometric Systems/notes/7. Face recognition 3D.md",
"Biometric Systems/notes/9. Ear recognition.md",
"Biometric Systems/images/Pasted image 20241228171617.png",
"Biometric Systems/images/Pasted image 20241228174722.png",
"Biometric Systems/notes/12. Iris recognition.md",
"Foundation of data science/notes/9 Decision tree.md",
"Foundation of data science/notes/8 Variational Autoencoders.md",
"Foundation of data science/notes/7 Autoencoders.md",
"Biometric Systems/images/Pasted image 20241217025904.png",
"Biometric Systems/images/Pasted image 20241217030157.png",
"Foundation of data science/notes/1 CV Basics.md",
"Foundation of data science/notes/5 Neural Networks.md",
"Foundation of data science/notes/6 PCA.md",
"Foundation of data science/notes/3.2 LLM generated from notes.md",
"Foundation of data science/notes/2 Linear Regression.md",
"Biometric Systems/notes/dati da considerare.md",
"Biometric Systems/notes/multi bio.md",
"Biometric Systems/images/Pasted image 20241212094046.png",
"Biometric Systems/images/Pasted image 20241212094016.png",
"Biometric Systems/images/Pasted image 20241212093900.png",

2
Biometric Systems/notes/13. Multi biometric.md
View file

@ -67,7 +67,7 @@ parallel combination of the two vectors:
- step 1: transform vectors in unitary vectors (dividing them by their L2 norm)
- step 2: weighted combination through the coefficient $\theta$, based on the lenght of X and Y
- we can then use X as the real part and Y as the imaginary part of the final vector
- **further feature processing:*
- **further feature processing:**
- using linear techniques like PCA, L-L expansion, LDA
##### Feature level fusion: CCA

4
Biometric Systems/notes/6. Face recognition 2D.md
View file

@ -210,9 +210,9 @@ Le rotazioni modificano l'LBP.
### Classificazioni di sistemi di riconoscimento facciale
- **Metodi basati sull'apparenza della faccia (global/holistic appearance methods):** PCA, LDA, alcune reti neurali. Utilizzano l'immagine per intero invece di concentrarsi solo su alcune regioni, non perdendo informazioni da subito. Svantaggi: danno la stessa importanza ad ogni pixel, necessitano di alta correlazione tra training e test set, non performano bene su grandi variazioni PIE.
- **Metodi basati su feature locali:** EBGM, LBP. Sono robusti a varianze di posizione in quanto vengono prima individuati i punti da cui estrarre le feature, e inoltre sono computazionalmente veloci. Come principale svantaggio hanno la scelta a priori dei punti da cui estrarre le feature, se non sono molto discriminativi le performance saranno pessime.
- **Sistemi basati su grafi:** a ogni faccia è associato un grafo, dove ogni nodo corrisponde a punti discriminativi della faccia. Ottimi dal punto di vista di variazioni di posizione e illuminazione. Train e test molto lunghi.
- **Sistemi basati su grafi:** a ogni faccia è associato un grafo, dove ogni nodo corrisponde a punti discriminativi della faccia. Ottimi dal punto di vista di variazioni di posizione e illuminazione. Train e test molto lunghi.
- **Sistemi basati su immagini termografiche o a infrarossi:** ottimi per quanto riguarda variazioni di illuminazione, però richiedono attrezzatura adeguata e la temperatura misurata varia in base allo stato del soggetto. Molto sensibili ai movimenti.
- **Reti neurali:** mirano a simulare il modo in cui funzionano i neuroni del cervello. Ogni neurone è rappresentato da una funzione matematica, approccio ideale: usare un neurone per pixel ma richiede tantissimi neuroni. Quindi spesso si usa una rete per estrarre feature dall'immagine / comprimere l'immagine e poi una rete per la recognition effettiva. Sono molto robuste ma richiedono un training set molto grande. Altri possibili problemi: overfitting, overtraining (non generalizza), diventano inefficienti all'aumentare del numero di soggetti nel database.
- **Reti neurali:** mirano a simulare il modo in cui funzionano i neuroni del cervello. Ogni neurone è rappresentato da una funzione matematica, approccio ideale: usare un neurone per pixel ma richiede tantissimi neuroni. Quindi spesso si usa una rete per estrarre feature dall'immagine / comprimere l'immagine e poi una rete per la recognition effettiva. Sono molto robuste ma richiedono un training set molto grande. Altri possibili problemi: overfitting (the network has the same dimension of the input), overtraining (non generalizza più), diventano inefficienti all'aumentare del numero di soggetti nel database.
###### Overfitting
Quando la rete ha troppi parametri rispetto alla dimensione dell'input.

2
Biometric Systems/notes/8 Face anti spoofing.md
View file

@ -58,7 +58,7 @@ Viene poi applicato $LBP^{u_{2}}_{8,1}$ sulla faccia normalizzata e la risultant
Vengono raccolti insieme gli istogrammi locali da 59 bin per ogni regione e viene prodotto l'istogramma finale, da 531 bin.
Viene fatta la stessa cosa con $LBP^{u_{2}}_{8,2}$ e $LBP^{u_{3}}_{8,2}$ e gli istogrammi vengono aggiunti all'istogramma finale da 531 bin. Infine l'istogramma viene dato in input alla SVM per la classificazione.
Viene fatta la stessa cosa con $LBP^{u_{2}}_{8,2}$ e $LBP^{u_{3}}_{16,2}$ e gli istogrammi vengono aggiunti all'istogramma finale da 531 bin. Infine l'istogramma viene dato in input alla SVM per la classificazione.
### Kose, Dugelay - Captured-Recaptured
basato su Rotation invariant LBP (LBPV) e DoG:

BIN
Biometric Systems/slides/LEZIONE2bis_Indici_di_prestazione.pdf Normal file
View file

Binary file not shown.

BIN
Biometric Systems/slides/Schema Biometric Systems.pdf Normal file
View file

Binary file not shown.

BIN
Biometric Systems/slides/Schema Biometric Systems_annotated.pdf Normal file
View file

Binary file not shown.

2
Foundation of data science/notes/3.1 Multi Class Logistic Regression.md
View file

@ -46,7 +46,7 @@ sample x1 e x2
- $f(x2)=[0.01, 0.98, 0.01]$ (il modello per questo sample invece è molto sicuro)
Calcoliamo la Cross Entropy!
$$-[[1(-0.91)+0(-1.6)+0(-0.91)]+[0(-4.6)+0(-0.02)+0(-4.6)]] = 0.93$$
$$-[[1(-0.91)+0(-1.6)+0(-0.91)]+[0(-4.6)+1(-0.02)+0(-4.6)]] = 0.93$$
quei numeri strani sono semplicemente i logaritmi di 0.4, 0.2 ecc., abbiamo semplicemente applicato la formula sopra!
##### Softmax optimization