[20380] Visió per Computador Prueba 2 (2017) [A] Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)

Transcripción

1 [20380] Visió per Computador Prueba 2 (2017) [A] Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. Cuál de los siguientes algoritmos constituye por sí solo un descriptor de características local. a) Principal Component Analysis b) Generalized Hough Transform c) Histogram d) Local Binary Pattern 2. Cómo calculamos la respuesta de las esquinas una vez tenemos los valores propios, λ 1, λ 2, del tensor estructural. a) R = 1 2 (λ 1 + λ 2 ± λ 2 1 2λ 1 λ 2 + λ 2 2) b) R = 1 2 (λ 1 + λ 2 ) c) R = λ 1 kλ 2 2 d) R = λ 1 λ 2 k(λ 1 + λ 2 ) 2 3. Cuál de estos detectores de esquinas intenta ser invariante a escala y rotación. a) Harris b) Harris-Affine c) Harris-Laplace d) Harris-Feynman 4. Cuál de estas cosas se consiguen con una suavización, en un proceso de detección de contornos: a) fijar la posición de los contornos y las esquinas. b) controlar la escala de análisis. c) eliminar los contornos más largos d) elegir la orientación predominante. 5. Qué tamaño tienen las matrices que generan las derivadas de los detectores Roberts y Sobel respectivamente. a) 2 2, 2 2. b) 2 2, 3 3. c) 3 3, 2 2. d) 3 3, La máscara [0-1 0; ; 0-1 0] es la aproximación 3 3 de: a) el Laplaciano b) la derivada del detector de Sobel c) el detector de Canny d) una gausiana 7. Cuántos recorridos utilizan los algoritmos de etiquetado (i) conectividad a 4, (ii) conectividad a 8. a) (i) 1, (ii) 1

2 b) (i) 2, (ii) 2 c) (i) 2, (ii) 4 d) (i) 4, (ii) 8 8. En un algoritmo de segmentación basado en k-means cuál de las siguientes afirmaciones es verdadera a) El valor de k tiene que ver con la dimensión de los datos que queremos segmentar b) Podemos utilizar k muestras al azar de nuestros datos como centros iniciales c) Sólo podemos usar la distancia euclidiana para asignar un dato a su clase d) El número de centros final puede ser mayor que el inicialmente definido 9. Qué necesitamos calcular en una ventana deslizante para el método de binarización de Niblack: a) la media y la mediana b) la mediana y la desviación estándar c) la media y el mínimo d) la media y la desviación estándar 10. En una imagen binaria compuesta por granos de arroz sobre fondo negro vemos que algunos granos se solapan. Qué algoritmo podríamos usar para intentar separarlos. a) Ecualización b) Watershed c) Hough Transform d) Harris 11. El residuo del opening que consiste en restar de la imagen un opening se puede considerar como un método de segmentación a) lineal b) local c) global d) clustering 12. Cuáles son las distancias L 1, L 2 y L entre a = [2, 2, 2, 2] y b = [1, 2, 1, 1]. a) 1, 3, 3 b) 1, 3, c) 3, 3, 1 d) 3, 2, Cuál de las siguientes afirmaciones es cierta sobre la matriz de confusión a) Los true positives están sobre la diagonal y los true negative fuera de la diagonal. b) Los true positives y los true negative están sobre la diagonal. c) Los false positives están sobre la diagonal y los true negative fuera de la diagonal. d) Los false positives y los false negative están sobre la diagonal.

3 14. Qué podemos hacer para suavizar las fronteras encontradas por un clasificador k-nn y evitar ambigüedades. a) Aumentar la k y elegir un valor par para ella. b) Aumentar la k y elegir un valor impar para ella. c) Disminuir la k y elegir un valor par para ella. d) Disminuir la k y elegir un valor impar para ella. 15. Para un clasificador binario, cuál de la siguientes situaciones es la más desfavorable en relación a una curva ROC. a) La curva sube y toca la parte de arriba (TPR=1) rápidamente. b) La curva tiene todos los valores por encima de la diagonal (recta TPR=FPR). c) La curva tiene todos los valores por debajo de la diagonal. d) La curva tiene todos los valores sobre la diagonal. 16. Cuál de estas características no están relacionadas con un Bag-of-Words normal a) es robusto a cambios de geometría, deformaciones, punto de vista b) aprendizaje y reconocimiento relativamente rápido c) una parte esencial es la generación de un diccionario d) tiene en cuenta la distribución espacial de las diferentes partes que conforman el modelo 17. Un sistema estéreo se caracteriza por adquirir dos imágenes a) con enfoque ligeramente diferente b) con puntos de vista ligeramente diferentes c) en tiempos ligeramente diferentes d) cualquiera de los tres anteriores 18. Clasifica estas técnicas 3D en función de si son pasivas o activas: Shape from focus, Luz estructurada. a) Pasiva, Pasiva. b) Pasiva, Activa. c) Activa, Activa. d) Activa, Pasiva. 19. Se considera que las primeras redes neuronales aparecieron a) a partir de los trabajos de McCulloch-Pitts b) con la resolución del XOR problem por Minsky y Papert c) con la implementación de Yan Lecun de la redes convolucionales d) fue Fukushima con su Neocognitron 20. Ell reciente éxito de las redes reuronales no se debe a a) la disponibilidad de bases de imágenes enormes y en gran medida etiquetadas b) el uso de alternativas al clásico backpropagation, en el aprendizaje, que nada tienen que ver con él c) la mejora computacional que nos dan las GPUs actuales d) la alta capacidad de la redes actuales con multitud de neuronas y más conectividad

4 21. En una red feedforward típica (AlexNet, VGG-16,...) las capas fully connected a) están al final y se encargan de generar las características que permitirán clasificar b) están al principio y se encargan de generar las características que permitirán clasificar c) están al final y se encargan básicamente de clasificar d) están al principio y se encargan básicamente de clasificar 22. Cuál de estas funciones de activación no tendría sentido en el diseño de una red multicapa a) lineal: σ(x) = ωx + b b) sigmoidea: σ(x) = 1 1+e x c) tanh: σ(x) = tanh(x) d) relu: σ(x) = máx(0, x) 23. La capa que permite que la salida de una red que clasifica tengan una interpretación probabilística es a) softmax b) relu c) convnet d) L2 o cuadrática 24. En una red feedforward cuál de los siguientes datos o de sus etiquetas se verán involucrados en una etapa de backpropagation a) el conjunto de Validación b) el conjunto de Training c) el conjunto de Test d) el conjunto de Training y el de Validación 25. Cuál de estas técnicas no se considera regularización (permite un aprendizaje más robusto y reduce el overfitting) a) Dropout b) Data augmentation c) Huber loss d) Early stopping 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 (2017) [A] Apellidos: NIU: Problemas (10p), DNI:, Nombre: 1. (2p) Describe e implementa la trasformada de Hough. 2. (3p) Tenemos 100 imágenes de logos de y queremos encontrar una base de representación de estas imágenes usando el PCA. Impleméntalo.

6 3. (2p) Implementa un k-means para simplifiar el número de colores de una imagen rgb a una paleta de 256 colores. 4. (3p) Queremos montar una aplicación que sea capaz de segmentar texto (fondo blanco, letras negras) de forma robusta en entornos con variaciones de la iluminación, sombras. a) Diseña un pipeline con algún algoritmo clásico que resuelva este problema, especifica cómo parametrizarías la solución. b) Modifica el esquema anterior con una visión más moderna pero enfrentándose al mismo problema.