[20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)

Tamaño: px

Comenzar la demostración a partir de la página:

Download "[20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)"

Pablo Aguirre Córdoba
hace 7 años
Vistas:

1 [20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. En cuál de estas posibles aplicaciones podríamos utilizar una característica global. a) Detector de piel. b) Categorización de imágenes. c) Detector de peatones. d) Reconstrucción 3D. 2. Cuál de estas afirmaciones se relaciona mejor con el concepto de esquina (corner). a) No hay cambios en todas las direcciones. b) No hay cambios en la dirección del contorno. c) Cambios significativos en la dirección del contorno. d) Cambios significativos en todas direcciones. 3. Si λ 1 y λ 2 son los valores propios del tensor estructural 2D. Qué requisitos se dan en las esquinas. a) λ 1 λ 2 o λ 2 λ 1 b) λ 1 y λ 2 grandes y similares. c) λ 1 y λ 2 pequeños y similares. d) λ 1 y λ 2 pequeños. 4. La respuesta R de Harris qué valor tiene para el caso de las esquinas. a) R = 0. b) R < 0. c) R positivo y pequeño. d) R positivo y grande. 5. Con estos dos vectores ( 1, 0, 1), (1, 2, 1) que detector podríamos construir. a) Canny b) Roberts. c) Prewitt. d) Sobel. 6. Cuál de estos pasos no se aplica en el algoritmo de Canny. a) Calculamos el gradiente con las derivadas de la gaussiana. b) Aplicamos la supresión de píxeles no máximos (adelgazamos contornos). c) Unión y binarización (aceptamos contornos superiores a un umbral conectados a contornos con un umbral superior). d) Buscamos los cruces por cero de la imagen derivada. 7. Cuál de estas afirmaciones mejor describe el proceso de detección de líneas con Hough (SLHT) si partimos de una imagen inicial genérica. a) Para cada punto calculamos sus coord. ρ, θ y votamos en un espacio de acumulación (ρ, θ).

2 b) Calculamos las coord. x, y de puntos seleccionados y votamos en un espacio de acumulación (ρ, θ). c) Calculamos las coord. ρ, θ de puntos seleccionados y votamos en un espacio de acumulación (x, y). d) Para cada punto calculamos sus coord. x, y y votamos en un espacio de acumulación (x, y). 8. Cuál de estas combinaciones son las utilizadas en el detector/descriptor de SIFT. a) DoG (diferencia de gaussianas)/histograma de orientaciones del gradiente. b) LoG (laplaciano del gaussiano)/histograma de orientaciones del gradiente. c) LoG/Relación entre sumas locales de la magnitud del gradiente de dos orientaciones. d) DoG/Relación entre sumas locales de la magnitud del gradiente de dos orientaciones. 9. Cuál de estos objetivos no lo atacaremos con una transformación geométrica. a) Poner en correspondencia puntos de dos imágenes para compararlas. b) Ver una determinada zona plana de una imagen desde otro punto de vista. c) Ajustar el histograma entre dos imágenes para que sean similares. d) Corregir la distorsión de barril generada por el sistema óptico. 10. Queremos hacer un ajuste con puntos de control con un polinomio de grado 1. Cuántos puntos linealmente independientes necesitaremos elegir en una de las imágenes como mínimo. a) 1 b) 2 c) 3 d) En una rotación de una imagen de 90 cuál de estas soluciones degradaría el resultado. a) Interpolación por el vecino más cercano. b) Interpolación Bilineal. c) Interpolación Bicúbica. d) Transposición y voltear (flip). 12. En una imagen tomada con una cámara con una focal de 15cm, vemos tres caras de un cubo de Rubik. Si queremos convertir cada una de las caras en un cuadrado, qué transformaciones necesitaremos. a) Tres homografías. b) Una combinación de Rotación, Escalado y Traslación. c) Tres combinaciones diferentes de Rotación, Escalado y Traslación. d) Una única homografía. 13. Queremos determinar el valor de umbral adecuado para una imagen con un histograma bimodal. Qué algoritmo utilizaremos. a) Algoritmo de Niblack. b) Algoritmo de Canny. c) Algoritmo de Sobel. d) Algoritmo de Otsu.

3 14. El algoritmo de Niblack consiste en: a) Para cada punto aplicar el algoritmo de Otsu sobre una pequeña ventana. b) Restar de la imagen el opening con un elemento estructurante. c) Sumar a la imagen el closing con un elemento estructurante. d) Ninguna de las anteriores. 15. En el algoritmo K-means la K hace referencia: a) al número de dimensiones del problema, por ejemplo para un problema de color la K=3. b) al número de iteraciones que queremos que se aplique en el proceso de promediado. c) al número de grupos que queremos obtener al final. d) a Andréi Komogórov, que fue quien lo propuso. 16. El algoritmo de etiquetado a) Se aplica a imagen binaria teniendo en cuenta la conectividad de los objetos presentes en la imagen. b) Genera una imagen binaria con las etiquetas: fondo=0, objetos=1. c) Si se aplica directamente a una imagen color se obtienen los objetos etiquetados por color. d) Es un algoritmo de clustering al que se le indica el número de objetos que hay en la imagen. 17. La clasificación de piel/no-piel planteada en problemas a partir de la entrada del usuario se englobaría dentro de un aprendizaje: a) supervisado. b) no supervisado. c) reforzado. d) manual. 18. En un espacio donde las variables aleatorias no están correlacionadas, la distancia de Mahalanobis equivale a la distancia: a) basada en la norma L 1 b) basada en la norma L c) basada en la norma L 2 d) a ninguna de las anteriores. 19. En el clasificador k-nn, la fase de training consiste en. a) Agrupar el conjunto de training en k clases. b) Almacenar los datos de training compuestos por muestras de un espacio k-dimensional. c) Reducir a k dimensiones un espacio de N N inicial d) Ninguna de las anteriores. 20. Cuál de las siguientes frases es falsa respecto del PCA a) Se utiliza para reducir la dimensionalidad. b) Se puede interpretar como una traslación y una rotación d los datos. c) Se puede obtener el PCA a partir de una descomposición de valores singulares. d) También se le conoce como SVM.

4 21. Cuál de las siguientes afirmaciones es cierta respecto del LDA. a) A diferencia del PCA, el LDA no está pensado para clasificar. b) El objetivo es minimizar la separación entre clases. c) Es la versión no lineal del PCA. d) Tiene en cuenta las etiquetas de las clases en la proyección. 22. Queremos hacer un proceso de Leave-one-out cross-validation con un conjunto de N muestras. a) equivale a hacer un 1-fold. b) equivale a hacer un 2-fold. c) equivale a hacer un N-fold. d) ninguno de los anteriores. 23. Que podemos decir de un clasificador si tenemos una matriz de confusión diagonal (sin valores fuera de la diagonal) si aplicamos este clasificador a datos reales. a) El clasificador es perfecto y por tanto los resultados con datos reales serán perfectos. b) Es previsible que el clasificador se porte bastante bien con los datos reales pero no podemos asegurar que sean exactos. c) El clasificador sólo resuelve los casos triviales y por tanto los resultados con datos reales serán de poca utilidad. d) Ninguno de los anteriores. 24. En una curva ROC tenemos el FPR en el eje horizontal (x) y TPR en el vertical (y). Cuál es el punto mejor para nuestro clasificador. a) (0,0) b) (1,0) c) (1,1) d) (0,1) 25. En la técnica del Bag of Words, cuál de sus cuatro pasos se basa en una etapa de clustering. a) Detección de características. b) Descripción de características. c) Creación del diccionario. d) Representación de los objetos. Apellidos: NIU:, DNI:, Nombre: a a a a a a a a a a a a a a a a a a a a a a a a a b b b b b b b b b b b b b b b b b b b b b b b b b B: c c c c c c c c c c c c c c c c c c c c c c c c c M: d d d d d d d d d d d d d d d d d d d d d d d d d :

5 [20380] Visió per Computador Prueba 2 (2013) Apellidos: NIU: Problemas (10p), DNI:, Nombre: 1. ((10/3)p) Implementa una rotación de una imagen un ángulo α, output input. 2. ((10/3)p) A partir de los puntos (1, 1), (2, 3) y (5, 0), (4, 4) que representan respectivamente puntos sobre rectas paralelas en la escena. Calcula el punto de fuga y obtén la homografía que permitirá deshacer la perspectiva.

6 3. ((10/6)p) Implementa un k-means para simplificar el número de colores de una imagen rgb a una paleta de 16 colores. 4. ((10/6)p) La salida de un clasificador binario nos da un vector p de N elementos donde cada posición es una probabilidad de pertenecer a la clase (valor entre 0 y 1). La primera mitad del vector está asociada a las muestras positivas y la segunda mitad a muestras negativas. Haz un pequeño código que represente una curva ROC a partir de este vector p.

Documentos relacionados

El pipeline de visualización es el conjunto de

El pipeline de visualización es el conjunto de Sistemas de Visualización Pipeline de visualización 3D Definición del modelo geométrico Transformaciones geométricas Transformaciones de visualización Volumen de visualización Proyecciones Pipeline de