Viability of Image Classification with Introduction of Transparent Barriers

I denna uppsats undersöks bildklassifikation på bilder med barriärer med maskininlärningsmetoder. I verkliga situationer kan det finnas någon form av barriär i vägen för det föremål en kan tänkas vilja klassificera. Genom att implementera en enkel maskininlärningsalgoritm, försöker vi ge en ungefärlig lägre begränsning på klassifikationens säkerhet i denna typ av problem. Resultaten tyder på att maskininlärning är ett användbart verktyg, trots att dess prestanda försämras när barriärer blir kraftigare och med invecklade. I det bästa fallet försämrades algoritmens träffsäkerhet endast med en procentenhet då en barriär användes, jämfört med fallet då inga barriärer användes. Detta skedde då den använda algoritmen fick träna på liknande barriärbilder. Då algoritmen inte får träna på dessa bilder blir träffsäkerheten märkbart försämrad. Dessutom tycks algoritmens träffsäkerhet vara oberoende av bildstorleken, trots att den tillgängliga informationen är begränsad på grund av introduktionen av barriärer. In this thesis, image classification of difficult data through the use of machine learning algorithms is evaluated using a Kernel Machine. When trying to classify objects in im- ages in real world situations the object in question might be behind some form of transparent obstruction or barrier. By implementing a simple machine learning algorithm this thesis aims to provide an approximate lower bound for the performance of machine learning algorithms in such circumstances. Results show that machine learning is a viable option even though performance decrease with barrier complexity and thickness. In the best case performance dropped less than one percentage point when using a simple barrier compared to using no barrier and allowing the algorithm to train on images with objects behind said barrier. Performance is much worse when not allowing the algorithm to train on images with barriers. Furthermore, performance seems to be largely independent on image size despite the loss of information associated with introducing barriers