¡Descarga Examen Práctico de Minería de Datos: Detección de Rostros y Sonrisas con OpenCV y más Ejercicios en PDF de Minería de Datos solo en Docsity! DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN TRABAJO INDIVIDUAL MINERIA DE DATOS MATERIA Minería de Datos NRC 10059 EXAMEN No. 03 CARRERA Tecnologías de la Información Docente ESTEVAN RICARDO GOMEZ TORRES PERIODO ACADÉMICO PREGRADO S-I MAYO-SEPT 23 FECHA 24/08/2023 TÍTULO Examen Practico Tercer Parcial ESTUDIANTE Ricky Garcia Ejercicio 1: Aplicando Open Cv, usar Haar Cascade para resolver el problema con Python Usar las imágenes Six_Cats-02.jpg proporcionadas en 3P-NRC 10059 para: a) Detectar el número de rostros de gatos que se encuentran en la fotografía b) Señalar gráficamente donde se encuentran los gatos DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN TRABAJO INDIVIDUAL MINERIA DE DATOS c) Incluya en su código un contador que reporte el número de gatos encontrados. Para crear un contador, simplemente creamos una variable llamada countCats en donde se almacenar el número de gatos, posteriormente incrementamos el valor de la variable en 1 en cada ciclo for cuando una cara es encontrada. Se puede observar que se han encontrado un total de 6 gatos, demostrando la precisión del modelo al 100% d) Maneje los parámetros y trabaje con al menos dos escalas de referencia e indique los resultados. DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN TRABAJO INDIVIDUAL MINERIA DE DATOS minSize Ahora manipularemos minSize en la escala del [(30,30) y (200,200)] Cuando minSize tiene el valor (30,30), se trazan todos los rostros de los gatos. Cuando el valor de minSize es (200,200) los rostros de menor tamaño son pasados por alto por tanto, ningún rostro de los gatos es identificado. DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN TRABAJO INDIVIDUAL MINERIA DE DATOS maxSize Finalmente, manipularemos el parámetro maxSize en las escalas del [(60,60),(200,200)]. Inicialmente establecemos el valor de (60,60), con este valor podemos observar que los rostros grandes que sobrepasen el máximo permitido, no son identificados. El resultado solo muestra a un gato identificado Por otro, si asignamos un valor de maxSize de (200,200), el resultado de dicho valor es la inclusión de todos los rostros. e) Indique si en qué casos tuvo detecciones positivas falsas Los falsos positivos se obtuvieron cuando los valores de minNeighbors y ScaleFactor eran demasiado bajos. DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN TRABAJO INDIVIDUAL MINERIA DE DATOS Ejercicio 2: Aplicando Open Cv, usar Haar Cascade para resolver el problema con Python Utilizando las Imágenes gente-sonriendo.jpg proporcionadas en 3P-NRC 10059 para a. señalar las caras detectadas Se puede observar que el modelo tiene una precisión del 100% al identificar las caras de la imagen DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN TRABAJO INDIVIDUAL MINERIA DE DATOS d. Maneje los parámetros y trabaje con al menos dos escalas de referencia e indique los resultados Para este apartado, modificaremos únicamente los parámetros de la detección de la cara. ScaleFactor Para el parámetro ScaleFactor, manejaremos los valores [1.01 y 1.1] Cuando tenemos el valor (“1.01”) tenemos un gran número de falsos positivos en la identificación de las caras, por tanto, este valor es deficiente para nuestro modelo. Con el valor a 1.1 se ha detectado 19/20 caras. El resultado es bueno, pero puede ser mejor. DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN TRABAJO INDIVIDUAL MINERIA DE DATOS minNeighbors A continuación, modificaremos el argumento minNeighbors en la escala del [3 y 10]. Cuando el valor es 3 observamos 1 caso de falso positivo. El resultado es bueno, pero puede ser mejor. Al emplear un valor de 10, se ha detectado 19/20 caras. DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN TRABAJO INDIVIDUAL MINERIA DE DATOS minSize Ahora manipularemos minSize en la escala del [(30,30) y (200,200)] Cuando minSize tiene el valor (30,30), se trazan todos los rostros. Cuando el valor de minSize es (200,200) ningún rostro se enmarca, esto se debe a que los rostros de menor tamaño son pasados por alto. maxSize Finalmente, manipularemos el parámetro maxSize en las escalas del [(60,60), (500,500)]. Inicialmente establecemos el valor de (60,60), con este valor podemos observar que los rostros grandes que sobrepasen el máximo permitido, no son identificados.
