# AI - Dokumentácia

## Description:

## Notes:

## Tasky:
### 1. Research k registrácií signálových dát
* Registráciu dát v našom prípade netreba vykonávať, treba skôr rozmýšľať nad predspracovaním dát pre rôzne druhy modelov.
* Ak sa jednotilvé grafy reprezentujúce jedno meranie líšia iba v šume, spriemerovanie ich do jedného grafu dáva zmysel. V takomto prípade je vhodné použiť Radnom Forrest.
* Ak jednotlivé grafy reprezentujúce jedno meranie predstavujú napr. rôzne látky a líšia sa viac ako iba v šume, je vhoé z celej množiny dát vytvoriť spektrum. V takomto prípade je vhodné použiť CNN pre analýzu spektier(podobne ako obrázky).

### 2. Analýza domény - spracovanie 3D spektier v CNN
* Chcel som si to trosku predstavit tak som vytvoril script pre zobrazovanie 3d grafov v pythone z tych raw dat co mame (mozem vam ho potom posunut ). Spravil som aj nejaky dokument kde som nahral nejake vzorky keby ste si to chceli pozret: https://docs.google.com/document/d/1kB7w2NHhyamujD5qo6Xix6lNapbUtcxHJCTwlanE9rs/edit
* Robil som nejaky research a zistil som ze pre podobny pripad co reisime my existuje domena s nazvom: CNN for Hyperspectral classification. Co je Hyperspectrum je tu: https://en.wikipedia.org/wiki/Hyperspectral_imaging. Rozdiel medzi Hyperspectrom a nasim riesinim je to ze my nevyvtarame tie spektra z obrazku ale uz ich v podstate mame z toho merania kavy a ked ich dame pekne na seba tak nam vznikne podobny utvar ako Hyperspectrum cube. Myslim si ze teda klasifikacne modely co sa pouzivaju pre tento pripad by mohli fungovat aj pre nas.
* Kazdopadne si teda myslim ze do toho CNN nebudeme hadzat tie 3d grafy ale 3d spektra. Myslim tym ze nestaci iba spojit vsekty grafy do pola ako to zobrazujem v tom dokumente co som vyvoril ale treba pre kazdy graf spravit 2d spectrum ako sme robili napr. na DSZOB pri zvuku a potom ich naskladat na seba.
* Vstup do CNN teda bude mat tvar [X, Y, Z, C] X - Vzorky spektra, Y - Vyska Y, Z - Spektrum, C - kanaly RGB.
* Musime vyriesit to, aby boli vsetky taketo 3D spektra na vstupe v rovnakom formate a taktiez by bolo super dimenzie X, Y a Z boli mocninami 2 kvoli pool vrstvam (to ale mozme potom vyriesit aj inak).
* Na zaciatok by som navrhol nejaku VGG-16, AlexNet alebo ResNet-50 CNNnku pre binarnu klasifikaciu a spravil ju tak aby vedela na vstupe brat 3d obrazky (3d spektra) a uvidime co z toho dostaneme
* Ked budeme vytvarat tu CNNku tak klucove slova pre vyhladavanie informacii su: 3D CNN; Hyperspectral classification; Binary classifiaction; 3D Convolutional neural network for binary classifiaction; ...
* Pokusil som sa spravit nejaku 3D CNN architekturu na zaklade VGG-16 a snazil som sa ju upravit na nase riesenie, asi nieje uplne spravna ale je to skor len tak pre predstavu:

### 3.
* .

### 4.
* .