[20380] Visió per Computador Prueba 2 (2017) [A] Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
|
|
- Yolanda Contreras Rico
- hace 6 años
- Vistas:
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.
[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 detalles[20380] Visió per Computador Prueba 2 (2016) [A] Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 2 (2016) [A] Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. Queremos reducir la distorsión de barril introducida por el sistema
Más detalles[20380] Visió per Computador Prueba 1 (2017) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 1 (2017) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. Qué secuencia está ordenada de mayor a menor frecuencia: a) Rayos
Más detallesContenido. Capítulo 1. Capítulo 2. Capítulo 3. Prólogo
Contenido Prólogo XIII Capítulo 1 Acerca del procesamiento de imágenes 1 1.1 Introducción 2 1.2 Sistema de visión y procesamiento de imágenes 2 1.3 Procesamiento digital de imágenes 3 1.4 Relaciones básicas
Más detallesVisió per Computador Prueba 1 (2018) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 Visió per Computador Prueba 1 (2018) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. En el espectro electromagnético se cumple que: a) a mayor energía, mayor longitud
Más detalles[20380] Visió per Computador Prueba 1 (2016) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 1 (2016) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. Qué secuencia está ordenada de menor a mayor energía: a) Rayos γ,
Más detallesIngeniería en Informática
Ingeniería en Informática Procesamiento de Imágenes Digitales 1 a convocatoria oficial, curso 2008-2009 APELLIDOS: NOMBRE: En las preguntas tipo test cada respuesta correcta puntúa 0.5 puntos, mientras
Más detallesSistemas de Percepción Visión por Computador
Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción Visión
Más detallesINDICE Prefacio 1. Introducción 2. Fundamentos de la imagen digital
INDICE Prefacio XVII 1. Introducción 1.1. Fundamentos 1 1.2. Representación digital de imágenes 6 1.3. Etapas fundamentales del procesamiento de imágenes 8 1.4. Elementos de los sistemas de procesamiento
Más detallesSegmentación de imágenes biomédicas
Segmentación de imágenes biomédicas Definición de segmentación La segmentación es la partición de una imagen, en un subconjunto regiones homogéneas en base a una característica (intensidad, textura,...).
Más detallesEl Perceptrón Multicapa
El Perceptrón Multicapa N entradas M neuronas de salida L: neuronas en la capa oculta E = 1 p M ( zi ( k) yi ( k) ) k = 1 i= 1 Implementación de la función XOR Regiones de clasificación en función del
Más detallesVisión artificial y Robótica. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Definición y clasificación Reconocimiento basado en la apariencia Bag of words Deep learning Parte
Más detallesVisió per Computador Deep learning
Visió per Computador Deep learning Felipe Lumbreras Dept. Ciències de la Computació / Centre de Visió per Computador Universitat Autònoma de Barcelona http://www.cvc.uab.es/shared/teach/a102784/ Índice
Más detallesEntrenamiento de redes neuronales Fernando Berzal,
Entrenamiento de redes neuronales Fernando Berzal, berzal@acm.org Entrenamiento de redes neuronales Modos de entrenamiento Preprocesamiento de los datos Funciones de activación Inicialización de los pesos
Más detallesTécnicas de inteligencia artificial. Visión Artificial Extracción de características
Técnicas de inteligencia artificial Visión Artificial Extracción de características Indice Transformada de Hough Características: SIFT Transformada de Hough Fundamentos: Motivación: Desarrollar técnicas
Más detallesSistemas de Percepción
PROGRAMA DE LA ASIGNATURA: Sistemas de Percepción Código: 3042105040 Curso 2006/2007 CENTRO: ESCUELA TÉCNICA SUPERIOR DE INGENIEROS INDUSTRIALES TITULACIÓN: INGENIERO EN AUTOMÁTICA Y ELECTRÓNICA INDUSTRIAL
Más detallesTema 5: SEGMENTACIÓN (I) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (I) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación 2 El propósito de la segmentación de imágenes consiste en dividir una imagen en regiones significativas con respecto
Más detallesDeep Learning Seminario Minería de Datos
Deep Learning Seminario Minería de Datos Álvaro Riascos Mónica Ribero 2 de mayo de 2017 Contenido 1 Introducción 2 Modelo Logit 3 Redes Neuronales 4 Aplicaciones 5 Redes en el contexto de NLP 6 Otras arquitecturas
Más detallesAritmética de Imágenes
Suma y multiplicación se aumenta el nivel de gris de los píxeles por una constante, pero de forma distinta. En la suma, el parámetro a (entero) indica el número de niveles de gris a aumentar: de -255 a
Más detallesAnálisis de Datos. Red de función de base radial. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Red de función de base radial Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Las funciones de base radial han sido utilizadas en diversas técnicas de reconocimiento de patrones como
Más detalles[20380] Visió per Computador Prueba 1 (2014) [A] Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 1 (2014) [A] Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. Cuál de estos colores necesita más de una longitud de onda para generarlo
Más detalles3 Fundamentos y algoritmos de visión artificial
3. Descripción de los procesos utilizados En esta aplicación el problema de visión artificial que se plantea es la discriminación y localización de una serie de objetos, concretamente discos circulares
Más detallesÍndice 1. Introducción Imagen digital. Formación imagen Histograma de una imagen digital 2. Transformaciones puntuales. Introducción.
Índice 1. Imagen digital. Formación imagen Histograma de una imagen digital 2. Transformaciones puntuales Procesamiento de imágenes digitales Transformaciones basadas en el histograma Ecualización del
Más detallesCapítulo 2: Segmentación de imágenes
Capítulo 2: Segmentación de imágenes 2.1.- Introducción Como se ha comentado en la presentación, la segmentación de la imagen es el proceso que divide una imagen en regiones u objetos cuyos píxeles poseen
Más detallesTema 5. Detección de bordes
1 Div. Ingeniería de Sistemas y Automática Universidad Miguel Hernández GRUPO DE TECNOLOGÍA INDUSTRIAL Tabla de Contenidos Deinición de Borde Extracción de Bordes Comparación de Funciones Locales Comparación
Más detallesProcesamiento Digital de Imágenes
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 14 Procesamiento Espacial en Color De manera similar al procesamiento espacial de imágenes en escala de gris, las imágenes RGB pueden ser procesadas
Más detallesApuntes Curso Doctorado: Análisis de Imágenes y Reconocimiento de formas. Elena Díaz Fernández
Apuntes Curso Doctorado: Análisis de Imágenes y Reconocimiento de formas Elena Díaz Fernández 20 de noviembre de 2007 Análisis de Imágenes y Reconocimiento de formas Código Asignatura 26212 Tipo Fundamental
Más detallesContenido Capítulo 1 Introducción Capítulo 2 Conceptos Básicos Capítulo 3 Procesamiento de Imágenes en el Dominio Espacial
Contenido Capítulo 1 Introducción 1.Introducción 1 1.1 Sistema Visual Humano 1 1.2 Modelo de Visión por Computadora 3 1.3 Procesamiento Digital de Imágenes 3 1.4 Definición de Imagen Digital 4 Problemas
Más detallesCapítulo 4: Método de segmentación 3D basado en Contornos Activos
Capítulo 4: Método de segmentación 3D basado en Contornos Activos 4.1. Introducción En este capítulo se describe el método utilizado en la realización del Proyecto Fin de Máster. Como se ha comentado en
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 14
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 14 Procesamiento Espacial en Color De manera similar al procesamiento espacial de imágenes en escala de gris, las imágenes RGB pueden ser procesadas
Más detallesProcesamiento de Imágenes. Prof. Alexandra La Cruz, PhD
Procesamiento de Imágenes Prof. Alexandra La Cruz, PhD alacruz@ldc.usb.ve Contenido Conceptos básicos Modelo de una imagen Procesamiento digital de imágenes Operaciónes básicas Convolución Filtros Segmentación
Más detallesCAPÍTULO 2. Desde el punto de vista más simple, hoy una imagen digital consiste de lo que se puede ver
CAPÍTULO 2 PROCESAMIENTO DE IMÁGENES 2.1 Imágenes Digitales Desde el punto de vista más simple, hoy una imagen digital consiste de lo que se puede ver como una matriz de miles o millones de píxeles cada
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesDetección de bordes: metodos lineales de cálculo de gradientesk, etc. Detección de bordes. Métodos basados en operadores lineales de gradiente
Detección de bordes Métodos basados en operadores lineales de gradiente 1 Bordes Variaciones fuertes de la intensidad que corresponden a las fronteras de los objetos visualizados Métodos basados en el
Más detallesConceptos Básicos para el Procesamiento Digital de Imágenes
ELO 313 Procesamiento Digital de Señales con Aplicaciones Conceptos Básicos para el Procesamiento Digital de Imágenes Matías Zañartu, Ph.D. Departamento de Electrónica Universidad Técnica Federico Santa
Más detallesANÁLISIS DE DATOS. Ricardo Aler Mur
ANÁLISIS DE DATOS Ricardo Aler Mur EXAMEN DE ANÁLISIS DE DATOS GRADO EN INFORMÁTICA ENERO 2014 10 puntos, 1 hora y media de duración. Responder cada pregunta con respuestas breves (unas pocas líneas).
Más detallesTABLA DE CONTENIDOS. Dedicatoria. Agradecimientos. Tabla de Contenidos. Índice de Figuras. Índice de Tablas. Resumen
TABLA DE CONTENIDOS página Dedicatoria Agradecimientos Tabla de Contenidos Índice de Figuras Índice de Tablas Resumen I II IV VII X XI 1. Introducción 13 1.1. Descripción del contexto.........................
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detalles4 Teoría de clasificadores
Reconocimiento de señales de tráfico para un sistema de ayuda a la conducción 4 Teoría de clasificadores 4.1 Introducción Clasificar un objeto consiste en asignarlo a una de las clases disponibles. Los
Más detallesIntroducción al Procesamiento de Imágenes Satelitales con Software Libre. Módulo 03
Introducción al Procesamiento de Imágenes Satelitales con Software Libre Módulo 03 Dirección de Formación de Capital Humano Especializado en el Campo Espacial Agencia Espacial Mexicana www.gob.mx/aem Plan
Más detallesFundamentos de Visión por Computador
Fundamentos de Visión por Computador Sistemas Informáticos Avanzados Índice Introducción Conectividad Operaciones matemáticas básicas OR AND NOT XOR Operadores morfológicos Dilatación Erosión Cierre Apertura
Más detallesTema 2: PROCESAMIENTO EN EL DOMINIO ESPACIAL (Parte 2)
Tema 2: PROCESAMIENTO EN EL DOMINIO ESPACIAL (Parte 2) 1 I N G E N I E R Í A I N F O R M Á T I C A D P T O. M A T E M Á T I C A A P L I C A D A I 2 ÍNDICE: Filtrado espacial Filtros de suavizado Filtros
Más detallesApéndice A: Funciones del programa LightPAP
Apéndice A: Funciones del programa LightPAP A continuación se van a explicar las funciones principales que se han desarrollado para esta aplicación. 1 calcula_prop.m function [nc,cv,posicion,tinta,saturacion,luminancia]
Más detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
a Las redes Neuronales (Neurales) CO-6612 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-112 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia: Simon
Más detallesAprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Asignatura troncal: 4.5cr, 4ºCurso Ing Inf Aprendizaje: Perceptrón multi-capa 2003-2004 F.Escolano, O.Colomina, M.A. Cazorla Perceptrón 1 Indice Regla delta Modelo computacional
Más detallesRedes Neuronales. Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento
Redes Neuronales Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento de las neuronas biológicas. Se usan principalmente para el reconocimiento de patrones complejos. Para
Más detallesDeep Learning. Aplicaciones en Patología. Marcial García Rojo. Patólogo. Cádiz. Gloria Bueno. VISILAB Group. Universidad de Castilla-La Mancha
Deep Learning. Aplicaciones en Patología Marcial García Rojo. Patólogo. Cádiz. Gloria Bueno. VISILAB Group. Universidad de Castilla-La Mancha Para qué necesitamos análisis de imagen en Patología? Reducir
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 detallesInteligencia Artificial (Curso ) Grado en Ingeniería Informática - Ingeniería del Software
Inteligencia Artificial (Curso 0-0) Grado en Ingeniería Informática - Ingeniería del Software Redes neuronales Cuestión : Decir si las siguientes afirmaciones son verdaderas o falsas: Si tomamos la función
Más detallesProcesamiento Avanzado de Imágenes Astronómicas. Filtrado Espacial
Procesamiento Avanzado de Imágenes Astronómicas Filtrado Espacial Fundamentos filtrar implica retener o remover ciertas componentes de la imagen. el filtrado se hace utilizando kernels (máscaras, ventanas,
Más detallesClasificación. Agrupación de las partes de una imagen de forma homogénea
Clasificación Agrupación de las partes de una imagen de forma homogénea Clasificación o clustering Intenta clasificar los píxeles directamente en clases, en función de ciertas características de cada píxel.
Más detallesPerceptrón Simple. Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA. Rosana Matuk Primer Cuatrimestre 2018
Perceptrón Simple Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA Rosana Matuk Primer Cuatrimestre 2018 Rosana Matuk (DC-FCEyN-UBA) Perceptrón simple Primer Cuatrimestre 2018 1 / 29 Objetivo
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesExtracción de Regiones
Visión por Computadora Unidad V Extracción de Regiones Rogelio Ferreira Escutia Contenido ) Conceptos sobre Regiones 2) Binarización mediante detección de umbral 3) Etiquetado de componentes conexas 4)
Más detallesProcesamiento de imágenes mediante Reconocimiento de Patrones
Introducción al Procesamiento Digital de Imágenes - 2017 Procesamiento de imágenes mediante Reconocimiento de Patrones Diego Sebastián Comas Facultad de Ingeniería, Universidad Nacional de Mar del Plata
Más detallesExtracción de Bordes
Visión por Computadora Unidad IV Extracción de Bordes Rogelio Ferreira Escutia Contenido 1) Conceptos sobre Bordes 2) Extracción de bordes por Derivadas 3) Operadores de Primera Derivada 1) Conceptos sobre
Más detallesReconocimiento de rostros con Redes Neuronales Convolucionales
Reconocimiento de rostros con Redes Neuronales Convolucionales Redes Neuronales (66.63) FIUBA Mario Azcueta Reconocimiento de rostros DETECTAR un rostro en una escena IDENTIFICAR un rostro en particular
Más detallesSistema de apoyo al repostaje en vuelo basado en Visión artificial
Sistema de apoyo al repostaje en vuelo basado en Visión artificial GRUPO DE PROCESADO MULTIMEDIA DEPARTAMENTO DE TEORÍA DE LA SEÑAL UNIVERSIDAD CARLOS III DE MADRID Objetivos del proyecto y propuesta de
Más detallesESTIMACIÓN N DE LA DISTANCIA RECORRIDA POR UN ROBOT MÓVIL M MEDIANTE LA UTILIZACIÓN N DE DESCRIPTORES SURF
ESTIMACIÓN N DE LA DISTANCIA RECORRIDA POR UN ROBOT MÓVIL M MEDIANTE LA UTILIZACIÓN N DE DESCRIPTORES SURF Autor: Juan Manuel Peraza Domínguez Tutor: Dr. Luis Moreno Lorente Noviembre de 2009 1 ÍNDICE
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales EXTRACCIÓN DE PATRONES Transformada de Hough La transformada de Hough es método de extracción de características patentado por Paul Hough en 1962 *, para la detección de
Más detallesSEG E M G E M N E TA T C A IÓN D E D E IMÁ M G Á E G N E ES E MÉDICAS
SEGMENTACIÓN DE IMÁGENES MÉDICAS Segmentación de Imágenes La segmentación busca subdividir la imagen en un conjunto de regiones no solapadas que resulten útiles para cuantificación o análisis. La región
Más detallesLínea de Especialización Inteligencia Computacional y Robótica
Línea de Especialización Inteligencia Computacional y Robótica 1.- Propósito de la línea de especialización La Inteligencia Computacional agrupa la teoría, diseño y aplicación de métodos y técnicas biológica
Más detallesFundamentos de Visión por Computador
Fundamentos de Visión por Computador Sistemas Informáticos Avanzados Índice Filtrado en el espacio Filtros lineales Tipos de ruido Filtro media Filtro mediana Filtros gausianos Filtrado en la frecuencia
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesPredicción basada en vecinos
Predicción basada en vecinos Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Introducción Esquema de predicción directa Predicción basada
Más detallesINAOE. Introducción a Visión Computacional. Eduardo Morales, Enrique Sucar. Nivel Bajo. Nivel Intermedio. Visión de Alto Nivel.
a Bajo Alto a INAOE (INAOE) a 1 / 92 a Contenido Bajo Alto 1 2 Bajo 3 4 Alto 5 (INAOE) a 2 / 92 a Qué es? Bajo Alto es saber que hay y donde mediante la vista (Aristóteles) es recuperar de la información
Más detallesContornos de objetos. Marcados por varios usuarios.
DETECCIÓN DE CONTORNOS Contornos de objetos Marcados por varios usuarios http://www.eecs.berkeley.edu/research/projects/cs/vision/grouping/segbench/bench/html/images.html Contornos de objetos a partir
Más detallesTema 4: MORFOLOGÍA (Parte II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 4: MORFOLOGÍA (Parte II) 1 I N G E N I E R Í A I N F O R M Á T I C A 2 Morfología Imágenes binarias Imágenes en escala de grises Operaciones morfológicas Aplicaciones Operaciones morfológicas Aplicaciones
Más detallesPerceptrón simple y perceptrón multicapa
UNL - FICH - Departamento de Informática - Ingeniería Informática Inteligencia Computacional Guía de trabajos prácticos Perceptrón simple y perceptrón multicapa. Objetivos Aplicar diferentes arquitecturas
Más detallesAnálisis de Datos. Perceptrón multicapa. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Perceptrón multicapa Profesor: Dr. Wilfrido Gómez Flores 1 Introducción De acuerdo con el consejo de la IEEE Neural Networks de 1996, inteligencia artificial (IA) es el estudio de cómo
Más detallesPROGRAMA DE CURSO. Horas Docencia Horas de Trabajo Horas de Cátedra Docentes
PROGRAMA DE CURSO Código Nombre CC6204 Deep Learning Nombre en Inglés Deep Learning SCT Unidades Horas Docencia Horas de Trabajo Horas de Cátedra Docentes Auxiliar Personal 6 10 3 0 7 Requisitos Carácter
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesExtracción de características
Extracción de características Gonzalez & Woods, Digital Image Processing, cap. 8 extracción de características 1 Propiedades de las características Tienen que ser robustos: la extracción debe ser insensible
Más detallesSistemas de Percepción Visión por Computador
Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción Visión
Más detallesÍndice. Qué es la laplaciana? Filtros Laplaciana. Qué es la laplaciana? Sensibles al ruido
Índice Qué es la laplaciana? Introducción (5 min.) Qué es un borde? Pasos en la detección de bordes basados en gradiente ( h.) Qué es gradiente? Detectores de bordes basados en laplaciana ( h.) Qué es
Más detallesConceptos Básicos para el Procesamiento Digital de Imágenes
ELO 313 Procesamiento Digital de Señales con Aplicaciones Conceptos Básicos para el Procesamiento Digital de Imágenes Matías Zañartu, Ph.D. Departamento de Electrónica Universidad Técnica Federico Santa
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales FILTRADO DE LA IMAGEN Filtros espaciales suavizantes INTRODUCCIÓN El uso de máscaras espaciales para el procesamiento de imágenes se denomina filtrado espacial y a las propias
Más detallesTécnicas de inteligencia artificial. Visión Artificial Detección de aristas y puntos característicos
Técnicas de inteligencia artificial Visión Artificial Detección de aristas y puntos característicos Indice Detección de aristas Algoritmo de Canny Algoritmo de Susan Aristas ( Edges ) Operadores de gradiente:
Más detallesOrden de las clases...
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 18 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesLínea de Especialización Control de Sistemas
Línea de Especialización Control de Sistemas 1.- Propósito de la línea de especialización. Profesional con sólida formación teórico-práctica y visión global amplia acerca de diferentes métodos de modelación,
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 18
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 18 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesTema 6: Contornos. 1. Introducción. 2. Filtrado de imágenes: Convolución. 3. Detección de Contornos. 4. Segmentación de Contornos
. Introducción Tema 6: Contornos 2. Filtrado de imágenes: Convolución 3. Detección de Contornos Detectores de Gradiente: Sobel, Canny,... Cruces por Cero: Marr-Hildreth 4. Segmentación de Contornos Seguimiento
Más detallesPROCESAMIENTO DIGITAL DE IMÁGENES
PROCESAMIENTO DIGITAL DE IMÁGENES 2 OBJETIVO GENERAL Familiarizarse con el análisis de imágenes a través de computadores, aprendiendo técnicas de procesamiento, utilizando la librería de programación OpenCV,
Más detallesSegmentación de imágenes. Procesamiento de imágenes biomédicas Curso 2011
Segmentación de imágenes Procesamiento de imágenes biomédicas Curso 2011 Introducción Hasta ahora el procesamiento digital de una imagen implicaba, una imagen de entrada y una imagen de salida. Ahora con
Más detallesMODELO FUNCIONAL DEL SISTEMA
APENDICE A: MODELO FUNCIONAL DEL SISTEMA 102 APENDICE A MODELO FUNCIONAL DEL SISTEMA A.1. Descripción del proyecto El Sistema Reconocedor de Partituras Musicales (S.R.P.M.) es un sistema que analiza partituras
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 detallesPreproceso: mejora de la imagen
Preproceso: mejora de la imagen Gonzaled &Woods Digital Image Processing cap4 Mejora de la imagen 1 Transformaciones de la imagen dirigidas a mejorarla para el proceso posterior Mejora de contraste: Operaciones
Más detallesTratamiento de imágenes
Tratamiento de imágenes Clasificación y Descripción Héctor Alejandro Montes h.a.montes@fi.uaemex.mx http://fi.uaemex.mx/h.a.montes 03/10/15 Héctor Alejandro Montes 1 Advertencia No use estas diapositivas
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Otra forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesRepresentación y Descripción
Representación y Descripción Introducción La representation se utiliza para hacer los datos útiles a una computadora (posterior descripción del proceso) representando una región en 2 formas en términos
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 detallesMÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) REDES NEURONALES 2 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura
Más detallesDeep Learning para el Reconocimiento de Texto Manuscrito. Trabajo Fin de Grado
Deep Learning para el Reconocimiento de Texto Manuscrito Trabajo Fin de Grado Quién es este chiquillo? Índice Reconocimiento de Caracteres Motivación Reconocimiento Óptico de Caracteres (OCR) Caracteres
Más detallesEstadística I Guión de la Práctica 2 Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística
Estadística I Guión de la Práctica Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística 1. Simulación de las variables aleatorias En Excel podemos simular valores de variables
Más detallesRevista Aristas Ciencia Básica y Aplicada
Contenido disponible en http://fcqi.tij.uabc.mx/usuarios/revistaaristas/ Revista Aristas Ciencia Básica y Aplicada ELIMINACIÓN DE LA SOBRESEGMENTACIÓN DE IMÁGENES COLPOSCÓPICAS UTILIZANDO K-MEANS. Itzel
Más detallesIntroducción Algoritmos de detección de esquinas SIFT
Tabla de Contenidos Introducción Algoritmos de detección de esquinas SIFT Técnicas Avanzadas de Visión por Computador 1 Introducción Técnicas Avanzadas de Visión por Computador Las esquinas como puntos
Más detalles