Visión. Sesión 3: Clasificación de imágenes mediante histogramas y características. Departamento CCIA
|
|
- María Elena Venegas Roldán
- hace 7 años
- Vistas:
Transcripción
1 Visión Sesión 3: Clasificación de imágenes mediante histogramas y características Departamento CCIA
2 Hoy Aplicaciones: emparejamiento de imágenes, búsqueda de patrones y construcción de panoramas Plantillas Histogramas Detectores de características Harris SIFT Emparejamiento: RANSAC Referencias Derek Hoeim James Hays Steve Seitz 2
3 Matching de imágenes El problema de la variabilidad by Diva Sian by scgbt by swashford Un problema más sencillo: transformaciones afines 3
4 Búsqueda de patrones en secuencias Sivic y Zisserman, Efficient Visual Search for Objects in Videos,
5 Alineamiento de panoramas Brown y Lowe, Recognising Panoramas,
6 Filtros como plantillas La semana pasada estudiamos cómo usar determinados filtros para suavizar el ruido y también para resaltar aristas Vamos a considerar ahora cómo usar los filtros para resaltar características (features) más complejas Objetivo: encontrar una plantilla en la imagen Reto principal: Cómo medir la similitud entre dos patches de la imagen? Correlación Correlación de media cero Suma de diferencias al cuadrado Correlación cruzada normalizada Suma de diferencias al cuadrado 6
7 Suma de diferencias al cuadrado SSD (Sum of Squared Differences) Problema: es sensible a las variaciones de brillo 7
8 Correlación Cruzada Normalizada NCC (Normalized Cross Correlation) 8
9 Interpretación de la NCC Dónde está Wally Plantilla Escena Mapa de correlación Interpretación: la NNC es el coeficiente de correlación entre los valores de los Devuelve un valor entre -1 y 1 9
10 Función en OpenCV MatchTemplate realiza el filtrado de una imagen con la plantilla, pasándole como parámetro una constante que indica el tipo de método: CV_TM_SQDIFF, CV_TM_SQDIFF_NORMED: diferencias de cuadrados absolutas y normalizadas. Resultado: 0: empareja, valores altos: no empareja CV_TM_CCORR, CV_TM_CCORR_NORMED: correlación absoluta y normalizada. Resultado: 0: no empareja, valores altos: empareja CV_TM_CCOEFF, CV_TM_CCOEFF_NORMED: cross correlation absoluta y normalizada. Resultado: -1 correlación inversa, 1 - correlación dire.cta. 10
11 Histogramas Distribución de características tomadas de la imagen Color, textura, profundidad, respuesta a un filtro, etc. Probabilidad o recuento de datos en cada cajón feature 1 11
12 Histogramas conjuntos Es necesario gran cantidad de datos para evitar las zonas vacías Problema de la maldición de la dimensionalidad Distribuciones marginales 12
13 Representación de los histogramas Con pocas dimensiones: rejillas En altas dimensiones: clusters Matching de histogramas Dos imágenes (o patches) emparejan dependiendo de la distancia entre sus histogramas Ejemplo: resultado de búsquedas en bases de datos de imágenes con distancia entre histogramas usando color y aristas 13
14 Distancia entre histogramas Correlación Chi-cuadrado Intersección Bhattacharyya Coches encontrados por emparejamiento de histogramas de color usando Chi-cuadrado 14
15 Distancia entre histogramas Correlación Chi-cuadrado Intersección Bhattacharyya Coches encontrados por emparejamiento de histogramas de color usando Chi-cuadrado 14
16 Histogramas en OpenCV CreateHist crea un histograma QueryHistValue_1D, QueryHistValue_2D, QueryHistValue_3D y QueryHistValue_nD develve un float con el valor de un cajón (bin) del histograma 15
17 Más funciones NormalizeHist normaliza el histograma al factor pasado como parámetro CalcBackProject cambia valores de píxeles por valores del histograma (probabilidades) CalcHist calcula el histograma de una secuencia de imágenes 16
18 Comparación de histogramas CompareHist devuelve un float resultante de comparar dos histogramas 17
19 Características Buscamos elementos que nos sirvan para emparejar imágenes (características o features) Posibles usos Alineamiento de imágenes y construcción de panoramas Reconstrucción 3D Tracking (seguimiento de objetos en movimiento) Reconocimiento de objetos Indexación y recuperación en base de datos de imágenes 18
20 Necesitamos Características repetibles Descriptores distintivos Robustos al ruido Invariantes a cambios (luminosidad, orientación, escala,...) 19
21 Vocabulario Detector: Devuelve una posición en la imagen (detector de esquinas, detector de caras, etc.) Descriptor: Codifica una ventana de vecindad que se utiliza para buscar un emparejamento en otra imagen Detector de esquinas de Harris Descriptor SIFT (Figura de Steve Seitz) Emparejamiento: buscar la transformación que realiza el mejor match (Figura de Svetlana Lazebnik) 20
22 Detector de Harris La idea: encontrar puntos en los que el desplazamiento de la ventana en cualquier dirección proporcione un gran cambio en la intensidad de los píxeles (Figura de S. Seitz) El cambio se calcula con las diferencias al cuadrado (SSD) (Transparencia de S. Seitz) 21
23 Detector de Harris Y se puede aproximar esta función usando la Hessiana Los autovalores y autovectores de H indican las direcciones e intensidad de variación 2 autovalores fuertes: punto esquina 1 autovalor fuerte: contorno Autovalor 0: región uniforme 22
24 Detector de Harris (Transparencia de D. Hoiem) Variante basada en el menor autovalor λ - (Transparencia de S. Seitz) 23
25 Algoritmo Queremos que E(u,v) sea grande para pequeños desplazamientos en todas las direcciones El mínimo de E(u,v) debería ser grande sobre todos los vectores unitarios [u,v] El mínimo lo da el autovalor más pequeño (λ - ) de H (Figura de S. Seitz) Algoritmo Calcular el gradiente en cada punto de la imagen Crear la matriz H a partir del gradiente Calcular los autovalores Encontrar los puntos con mayor respuesta (λ - > umbral) Escoger aquellos puntos cuya λ - es un máximo local 24
26 Comparación y ejemplos Comparación Harris y λ - (Figura de S. Seitz) Ejemplo de Harris 25
27 Variantes de Harris Harris no es invariante a escala Se han propuesto bastantes soluciones, por ejemplo Harris-Laplace (Mikolajczyk, 2004) Puntos detectados con Harris Harris-Laplace Harris + correlación proporciona un buen descriptor 26
28 OpenCV CornerHarris implementa el detector de esquinas de Harris CornerEigenValsAndVecs calcula los autovalores y autovectores 27
29 OpenCV CornerMinEigenVal calcula el mínimo autovalor 28
30 SIFT Scale Invariant Feature Transform desarrollado por Lowe en 1999 Algoritmo 1. Se detectan puntos de interés en la imagen (Harris, por ejemplo) 2. Histogramas de orientaciones de gradiente 8 orientaciones x array de 4x4 = descriptor de 128 dimensiones 3. Las orientaciones se suavizan con un filtrado gaussiano basado en interpolación trilineal. Cada orientación contribuye a suavizar 8 cajones 4 en espacio x 2 en orientación 29
31 SIFT 4. Se calcula la orientación principal basándose en el histograma conjunto 5. Se rota el descriptor en esa dirección para definir el descriptor canónico 6. Se emparejan los patches usando alguna de las técnicas vistas al principio, como distancia o diferencia de cuadrados El código OpenCV se puede encontrar en este blog de Utkarsh Sinha 30
32 Ejemplos Lowe,
33 SURF Aproximación rápida a la idea de SIFT 6 veces más rápido que SIFT mediante filtros 2D e integrales de imágenes Calidad equivalente al aplicarlo a reconocimiento de objetos [Bay, ECCV 06], [Cornelis, CVGPU 08] 32
34 Comparativa y otros descriptores Tuytelaars Mikolajczyk
35 Emparejamiento con RANSAC RANSAC (RAndom SAmple Consensus) es un método robusto para realizar un ajuste de unos datos a un modelo Algoritmo: 1. Muestrear (aleatoriamente) el número de puntos requeridos para ajustar el modelo 2. Obtener los parámetros del modelo con los puntos elegidos 3. Puntuar por la fracción de puntos que se ajustan al modelo, dentro de un umbral seleccionado a priori 4. Repetir hasta que se encuentra el mejor modelo con una confianza alta Ejemplo: ajuste de una recta a un conjunto de puntos N=6 N=14 34
36 RANSAC para alinear imágenes RANSAC es aplicable para descartar malos emparejamientos y obtener la transformación correcta que ajusta una imagen con otra (Figura de Svetlana Lazebnik) Ejemplo: AutoStich 35
37 Referencias Computer Vision: Algorithms and Applications de Szelinsky: cap. 4.1 (Feature detection) Learning OpenCV: cap. 7 (Histogramas) 36
Visión por computadora Computer vision
Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo:
Más detallesVisión. Sesión 4: Búsqueda y tracking de modelos 2D en imágenes. Departamento CCIA http://www.jtech.ua.es/vision/2011/
Visión Sesión 4: Búsqueda y tracking de modelos 2D en imágenes Departamento CCIA http://www.jtech.ua.es/vision/2011/ Hoy Detección de aristas Transformada de Hough Componentes conectadas Alineación de
Más detallesTécnicas de inteligencia artificial. Visión Artificial Visión 3D
Técnicas de inteligencia artificial Visión Artificial Visión 3D Indice Introducción Visión estéreo Introducción Cuando usamos una cámara, perdemos la información 3D x y z y x z y x Sin embargo, la información
Más detalles[20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [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
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesDETECCIÓN Y DESCRIPCIÓN DE PUNTOS CARACTERÍSTICOS EN IMÁGENES DEL ESPECTRO VISIBLE
DETECCIÓN Y DESCRIPCIÓN DE PUNTOS CARACTERÍSTICOS EN IMÁGENES DEL ESPECTRO VISIBLE Miguel Angel Behr López 1, Luis Javier Maridueña Novillo 1 Boris X. Vintimilla 1 and Angel D. Sappa 1,2 1 Facultad de
Más detallesEstimación de homografías
Estimación de homografías Visión en Robótica 1er cuatrimestre de 2013 1 Introducción del problema Una homografía es una transformación proyectiva que determina una correspondencia entre puntos El problema
Más detallesBloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
Más detallesRECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS EN IMÁGENES CON TRANSFORMADA SIFT
UNIVERSIDAD CARLOS III DE MADRID ESCUELA POLITÉCNICA SUPERIOR INGENIERÍA TÉCNICA DE TELECOMUNICACIÓN (ESPECIALIDAD EN SONIDO E IMAGEN) PROYECTO FIN DE CARRERA RECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS
Más detallesGRADIENTE La laplaciana es un buen filtro paso alto, pero no es una buena herramienta para resaltar o detectar los bordes. En muchos casos, los bordes o límites de las figuras o de las regiones aparecen
Más detallesALGEBRA. Escuela Politécnica Superior de Málaga
ALGEBRA. Escuela Politécnica Superior de Málaga Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Espacio vectorial. Espacios vectoriales R n. Dependencia e independencia lineal. Base. Matrices y determinantes.
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesLaboratorio de Visión para Robots. Práctica 2
1. Preparación del entorno de trabajo Laboratorio de Visión para Robots Práctica 2 La manera en la que trabajaremos será primero utilizando Eclipse para prototipar nuestro programa. Cuando podamos procesar
Más detallesAnálisis de componentes principales. a.k.a.: PCA Principal components analysis
Análisis de componentes principales a.k.a.: PCA Principal components analysis 1 Outline Motivación Derivación Ejemplos 2 Motivación general Tenemos un dataset X con n datos y p dimensiones, centrado (medias
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesVisión artificial y Robótica Geometría. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Geometría Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Geometría 2D y 3D Transformación de coordenadas Calibración de la cámara Álgebra necesaria
Más detallesCONTENIDOS EXÁMEN DE ADMISIÓN MATEMÁTICA SEGUNDO BÁSICO 2017
SEGUNDO BÁSICO 2017 DEPARTAMENTO ÁMBITO NUMÉRICO 0-50 - Escritura al dictado - Antecesor y sucesor - Orden (menor a mayor y viceversa) - Patrones de conteo ascendente (2 en 2, 5 en 5, 10 en 10) - Comparación
Más detalles102784 [20380] Visió per Computador Prueba 1 (2015) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 1 (2015) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. El gap del silicio es de 1.11eV (salto energético entre banda de valencia
Más detallesAsignatura: SISTEMAS LINEALES. Horas/Semana:4 Teoría + 0 Laboratorio. Objetivos
Asignatura: SISTEMAS LINEALES Curso académico: 2007/2008 Código: 590000804 Créditos: 6 Curso: 2 Horas/Semana:4 Teoría + 0 Laboratorio Departamento: ICS Objetivos 1() Para todas las titulaciones OBJETIVOS
Más detalles8 PROCESAMIENTO DIGITAL DE IMÁGENES USANDO MATLAB & SIMULINK RA-MA
ÍNDICE PRÓLOGO...19 CAPÍTULO 1. INTRODUCCIÓN...25 1.1 SISTEMA DE VISIÓN Y PROCESAMIENTO DE IMÁGENES...25 1.2 PROCESAMIENTO DIGITAL DE IMÁGENES...26 1.3 RELACIONES BÁSICAS ENTRE PÍXELES...27 1.3.1 Vecinos
Más detallesAutovalores y autovectores Diagonalización y formas canónicas
Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,
Más detallesGeometría de las superficies
Geometría de las superficies Klette, schluns, koschan Computer vision: three dimensional data from images Cap 3 1 Representaciones funcionales Representación mediante una ecuación condicional para X e
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detalles13. Utilizar la fórmula del término general y de la suma de n términos consecutivos
Contenidos mínimos 3º ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Utilizar las reglas de jerarquía de paréntesis y operaciones, para efectuar cálculos con números racionales, expresados en forma
Más detallesFiltros digitales dominio del espacio dominio de la frecuencia
Tema 3: Filtros 1 Filtros digitales Los filtros digitales constituyen uno de los principales modos de operar en el procesamiento de imágenes digitales. Pueden usarse para distintos fines, pero en todos
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia VISIÓN ARTIFICIAL EN ENTORNOS DE PRODUCCIÓN INGENIERÍA DE SISTEMAS Módulo Titulación MÁSTER EN INFORMÁTICA INDUSTRIAL Plan MII 543 Código 53769 Periodo
Más detallesANÁLISIS DE EFICIENCIA EN ALGORITMOS DE RECONOCIMIENTO DE IMÁGENES DIGITALES APLICABLES A DISPOSITIVOS MÓVILES BAJO LA PLATAFORMA ANDROID
ANÁLISIS DE EFICIENCIA EN ALGORITMOS DE RECONOCIMIENTO DE IMÁGENES DIGITALES APLICABLES A DISPOSITIVOS MÓVILES BAJO LA PLATAFORMA ANDROID Miguel Ñauñay Ilbay 1, Luis Tipantuña Córdova 2, Geovanny Raura
Más detallesModelización por medio de sistemas
SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES. Modelización por medio de sistemas d y dy Ecuaciones autónomas de segundo orden: = f ( y, ) Una variable independiente. Una variable dependiente. La variable
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
Más detalles1 Representación por superficies de polígonos
1 La representación de frontera que más se utiliza para un objeto gráfico tridimensional es un conjunto de polígonos de superficie que encierran el interior del objeto. Muchos sistemas gráficos almacenan
Más detallesProcesado de Imagen para Reconocimiento de Huellas Digitales
Procesado de Imagen para Reconocimiento de Huellas Digitales Técnicas Avanzadas de Procesado de Imagen Marcos Ortega Hortas 1 Introducción (I) Identificación por huella dactilar, o fingerprint en inglés,
Más detallesSistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador
Más detallesEstimación de Movimiento (Marzo 2012)
Estimación de Movimiento (Marzo 2012) 1 Estimación de Movimiento (Marzo 2012) Iván López Espejo, Jonathan Prados Garzón Documento que trata de la estimación de movimiento en imágenes. L I. INTRODUCCIÓN
Más detallesVisión artificial y Robótica Modelos de movimiento y mapas. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Modelos de movimiento y mapas Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Sistemas de coordenadas Localización de objetos en el espacio Modelos
Más detallesUNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA DISEÑO E IMPLEMENTACION DE SISTEMA DE DETECCIÓN
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA DISEÑO E IMPLEMENTACION DE SISTEMA DE DETECCIÓN AUTOMATICA DE PUBLICIDAD EN PRENSA ESCRITA MEMORIA PARA
Más detallesImplementación en tiempo real para el seguimiento en secuencias de vídeo
COMPUTACIÓN E INFORMÁTICA ReCIBE, Año 3 No.1, Enero 2014 Implementación en tiempo real para el seguimiento en secuencias de vídeo Jesús Eduardo Alcaraz Chávez Universidad Michoacana de San Nicolás de Hidalgo,
Más detallesTema 4:Segmentación de imágenes
Tema 4:Segmentación de imágenes La segmentación de imágenes divide la imagen en sus partes constituyentes hasta un nivel de subdivisión en el que se aíslen las regiones u objetos de interés. Los algoritmos
Más detallesMÓDULO 3 Manejo de Herramientas II e Introducción al uso de Capas. CURSO Diseño Gráfico con Adobe PhotoShop
Infoteens MÓDULO 3 Manejo de Herramientas II e Introducción al uso de Capas CURSO Diseño Gráfico con Adobe PhotoShop Infoteens NOMBRE DE MÓDULO - 3 Manejo de Herramientas ll e Introducción al uso de Capas
Más detallesAsignatura: SISTEMAS LINEALES. Horas/Semana:4 Teoría + 0 Laboratorio. Objetivos. Programa
Asignatura: SISTEMAS LINEALES Curso académico: 2012/2013 Código: 590000628 Créditos: 6 Curso: 2 Horas/Semana:4 Teoría + 0 Laboratorio Departamento: ICS Objetivos 1() Para todas las titulaciones OBJETIVOS
Más detallesAplicación de Modelos Matemáticos en el Tratamiento de Imágenes de Ultrasonido
Aplicación de Modelos Matemáticos en el Tratamiento de Imágenes de Ultrasonido Dr. Marco MORA Investigador Les Fous du Pixel Image Procesing Group Departamento de Computación e Informática Universidad
Más detallesQue el estudiante sepa aplicar las principales técnicas que sirven para resaltar características en imágenes
1 Facultad: Ingeniería. Escuela: Biomédica Asignatura: Imágenes Médicas Realce de Características Objetivos Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características
Más detallesDr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental
Universidad de Puerto Rico Recinto de Aguadilla Programa CeCiMat Elemental Definición de conceptos fundamentales de la Estadística y la Probabilidad y su aportación al mundo moderno Dr. Richard Mercado
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesObjetivos formativos de Álgebra
Objetivos formativos de Álgebra Para cada uno de los temas el alumno debe ser capaz de hacer lo que se indica en cada bloque. Además de los objetivos que se señalan en cada tema, se considera como objetivo
Más detallesMuchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.
Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesIntroducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detalles5 Continuidad y derivabilidad de funciones reales de varias variables reales.
5 Continuidad y derivabilidad de funciones reales de varias variables reales. 5.1 Funciones reales de varias variables reales. Curvas de nivel. Continuidad. 5.1.1 Introducción al Análisis Matemático. El
Más detallesTema 4. Reducción del ruido
Div. Ingeniería de Sistemas y Automática Universidad Miguel Hernández GRUPO DE TECNOLOGÍA INDUSTRIAL Tabla de Contenidos Definición Filtros Lineales Filtros Temporales Realce Espacial Definición Ruido:
Más detallesMapa Curricular: Funciones y Modelos
A.PR.11.2.1 Determina el dominio y el alcance de las funciones a partir de sus diferentes representaciones. A.PR.11.2.2 Identifica y aplica las relaciones entre los puntos importantes de una función (ceros,
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesBÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS
Departamento de Inteligencia Artificial Grupo de Análisis de Decisiones y Estadística BÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS PRÁCTICAS 1 Existen varias características que pueden causar dificultades
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detallesMedidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Más detallesRepresentación en el espacio de estado. Sistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT
Representación en el espacio de estado Representación en espacio de estado Control clásico El modelado y control de sistemas basado en la transformada de Laplace, es un enfoque muy sencillo y de fácil
Más detallesmcbrief: un descriptor local de features
mcbrief: un descriptor local de features para imágenes color Tesina de grado Autor: Daniel Moreno Director: Mario E. Munich Julio 2011 Lic.enCs.delaComputación Facultad de Ciencias Exactas, Ingeniería
Más detallesWeb Map Service (WMS)
LOS SERVICIOS IDE TEMARIO Servidores de mapas - WMS Servidores de características (fenómenos) - WFS Servicio de Transformación de Coordenadas (WCTS) WFS Nomenclator Servidor de coberturas - WCS Servicio
Más detallesTécnicas de análisis y evaluación de procesos de reconstrucción 3D en el ámbito de la localización por visión
E.T.S. de Ingeniería Industrial, Informática y de Telecomunicación Técnicas de análisis y evaluación de procesos de reconstrucción 3D en el ámbito de la localización por visión Grado en Ingeniería en Tecnologías
Más detallesLocalización. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
M.Sc. Kryscia Ramírez Benavides Problemas de Navegación de los Robots Dónde estoy?. Dónde he estado? Mapa de decisiones. A dónde voy? Planificación de misiones. Cuál es la mejor manera de llegar? Planificación
Más detallesPROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C)
PROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C) I.E.S. Universidad Laboral de Málaga Curso 2015/2016 PROGRAMACIÓN DE LA
Más detallesDOCUMENTO DE APOYO PARA PROYECTOS
DOCUMENTO DE APOYO PARA PROYECTOS Los ejemplos que a continuación se encuentran en este documento de apoyo al estudiante, tiene como objetivo dar una serie de ejemplos mínimos de algunas partes de los
Más detallesDetección de Esquinas y Vértices
Detección de Esquinas Vértices Departamento de Automática, Ingeniería Electrónica e Inormática Industrial Universidad Politécnica de Madrid Detección de Esquinas Vértices José María Sebastián http://www.disam.upm.es/vision
Más detallesEl ejemplo: Una encuesta de opinión
El ejemplo: Una encuesta de opinión Objetivos Lo más importante a la hora de planificar una encuesta es fijar los objetivos que queremos lograr. Se tiene un cuestionario ya diseñado y se desean analizar
Más detallesMapa Curricular: Funciones y Modelos
A.PR.11.2.1 Determina el dominio y el alcance de las funciones a partir de sus diferentes representaciones. A.PR.11.2.2 Identifica y aplica las relaciones entre los puntos importantes de una función (ceros,
Más detallesNOCIONES DE ESTADÍSTICA CURSO PRÁCTICO DE CLIMATOLOGÍA 2012
NOCIONES DE ESTADÍSTICA CURSO PRÁCTICO DE CLIMATOLOGÍA 2012 Matilde Ungerovich- mungerovich@fisica.edu.uy DEFINICIÓN PREVIA: Distribución: función que nos dice cuál es la probabilidad de que cada suceso
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesDESARROLLO DE UN APLICATIVO PARA LA GENERACION DE MOSAICOS 2D ENFOCADO AL SEGUIMIENTO DE INFRAESTRUCTURAS LINEALES DE TRANSPORTE DE ENERGIA.
DESARROLLO DE UN APLICATIVO PARA LA GENERACION DE MOSAICOS 2D ENFOCADO AL SEGUIMIENTO DE INFRAESTRUCTURAS LINEALES DE TRANSPORTE DE ENERGIA. Wilson Arturo Espitia Manta Universidad Militar Nueva Granada
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesVISIÓN 3D. José M. Sebastián - Luis M. Jiménez. Problema Central de la Visión Artificial Tridimensional.
VISIÓN 3D José M. Sebastián - Luis M. Jiménez Problema Central de la Visión Artificial Tridimensional. A partir de una imagen o de una secuencia de imágenes de un objeto estacionario o en movimiento, tomada
Más detallesEstadística para la toma de decisiones
Estadística para la toma de decisiones ESTADÍSTICA PARA LA TOMA DE DECISIONES. 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables continúas. Objetivo Al término de la sesión el estudiante
Más detallesCONTENIDOS Y CRITERIOS DE EVALUACIÓN MATEMÁTICAS 6º ED.
. G r e d o s S a n D i e g o V a l l e c a s CONTENIDOS Y CRITERIOS DE EVALUACIÓN MATEMÁTICAS 6º ED. PRIMERA EVALUACIÓN El Sistema de numeración decimal El sistema de numeración decimal. Lectura y escritura
Más detallesCurso de Estadística Básica
Curso de SESION 3 MEDIDAS DE TENDENCIA CENTRAL Y MEDIDAS DE DISPERSIÓN MCC. Manuel Uribe Saldaña MCC. José Gonzalo Lugo Pérez Objetivo Conocer y calcular las medidas de tendencia central y medidas de dispersión
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesTEMARIO DE PROFESORES DE ENSEÑANZA SECUNDARIA MATEMÁTICAS
HOJA INFORMATIVA A.5.2.33 TEMARIO DE PROFESORES DE ENSEÑANZA SECUNDARIA MATEMÁTICAS Publicado en el B.O.E. de 21 de Septiembre de 1.993 MARZO 1998 MATEMÁTICAS 1. Números naturales. Sistemas de numeración.
Más detallesINSTITUTO CHAPULTEPEC MIDDLE SCHOOL
MATEMÁTICAS VII. (1er BIMESTRE) INSTITUTO CHAPULTEPEC MIDDLE SCHOOL. 2009-2010 1) SIGNIFICADO Y USO DE LOS NÚMEROS a) Lectura y escritura de números naturales. - Operaciones con números naturales. - Problemas
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesTEMARIO PRESENTACIÓN 7 MÓDULO I 17 EXPRESIONES ALGEBRAICAS 19
TEMARIO PRESENTACIÓN 7 MÓDULO I 17 EXPRESIONES ALGEBRAICAS 19 Introducción 19 Lenguaje común y lenguaje algebraico 22 Actividad 1 (Lenguaje común y lenguaje algebraico) 23 Actividad 2 (Lenguaje común y
Más detallesUNIDAD 1: NÚMEROS NATURALES OBJETIVOS
UNIDAD 1: NÚMEROS NATURALES Realizar las operaciones con números naturales (suma, resta, multiplicación y división) y operaciones combinadas de las anteriores. Diferenciar entre división exacta y entera,
Más detallesRobots Autónomos. Depto. de Ciencia de la Computación e Inteligencia Artificial
Robots Autónomos Depto. de Ciencia de la Computación e Inteligencia Artificial Contenido Problema del mapeado Mapeado 2D Mapeado 3D Introducción al SLAM Mapeado topológico Construcción de mapas: Descripción
Más detallesGimp. Operaciones básicas y dibujo por ordenador
Gimp Operaciones básicas y dibujo por ordenador Introducción a GIMP GIMP es un programa de manipulación de imágenes que puede usarse tanto en Linux como en Windows Puede usarse para retoque fotográfico,
Más detallesTema 11.- Autovalores y Autovectores.
Álgebra 004-005 Ingenieros Industriales Departamento de Matemática Aplicada II Universidad de Sevilla Tema - Autovalores y Autovectores Definición, propiedades e interpretación geométrica La ecuación característica
Más detallesLa representación gráfica de una función cuadrática es una parábola.
Función Cuadrática A la función polinómica de segundo grado +bx+c, siendo a, b, c números reales y, se la denomina función cuadrática. Los términos de la función reciben los siguientes nombres: La representación
Más detallesEcuaciones del plano. Cajón de Ciencias
Ecuaciones del plano Cajón de Ciencias Un plano tiene sus propias ecuaciones que lo definen, al igual que ocurría con la recta. Algunas de ellas son bastante parecidas, y de hecho verás que el plano tiene
Más detallesPROYECTO FIN DE CARRERA
UNIVERSIDAD DE VALLADOLID ESCUELA TÉCNICA SUPERIOR DE INGENIEROS DE TELECOMUNICACIÓN PROYECTO FIN DE CARRERA INGENIERO TÉCNICO DE TELECOMUNICACIÓN. SISTEMAS DE TELECOMUNICACIÓN DESARROLLO DE UNA APLICACIÓN
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesMatemática. me gusta. Proyecto para la competencia matemática
Índice de contenidos de Matemática 4 Este índice presenta, además de los contenidos programáticos, información adicional marcada con color azul. Los conceptos se agregan con función aclaratoria. Apertura.
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesAlgebra lineal de dimensión finita
Algebra lineal de dimensión finita Métodos para calcular autovalores Pseudoinversa Algebra lineal númerica 1 Teorema:[Teorema 1.6] Sea A es una matriz real simétrica. Si Q(x) =< Ax, x > entonces: λ 1 =
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesReducción del rango dinámico de una escena mediante la combinación de dos imágenes
mediante la combinación de dos imágenes 1/13 Reducción del rango dinámico de una escena mediante la combinación de dos imágenes! Resumen: Cuando una escena sobrepasa el rango dinámico de la cámara se puede
Más detallesCurso de Procesamiento Digital de Imágenes
Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-mast.html elena.martinez@iimas.unam.mx
Más detalles