Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

--- courses:a4m33mpv [2010/06/03 20:52]
fa.sneezer
+++ courses:a4m33mpv [2025/01/03 18:23] (aktuální)
@@ Řádek 3: / Řádek 3: @@
   * Stránky předmětu: http://oi-wiki.cz/doku.php/courses/a4m33mpv
   * Přednášející: Jiří Matas
-  * Cvičící:
+  * Cvičící: Perďoch
 ===== Cvičení =====
@@ Řádek 11: / Řádek 11: @@
 ===== Zkouška =====
+** 7.6.2010 **
+{{:courses:mpv.jpg|}}
+** 4.6.2015 **
+  - Bag of words (popis metody, inverted file, tf-idf, ...)
+  - SIFT descriptor (popis cele metody vcetne normalizaci, navrh na urychleni pomoci integralniho obrazku, ...)
+  - Navrhnete detektor/tracker pro detekci lidi ve staticke kamere tak, aby nehlasil falesne poplachy na psy a kocky.
+  - Popiste postup pri odhadu fundamentalni matice nebo homografie pro par obrazku + reknete vyhody Harrise, Hessiana, MSERu a FASTu.
 ===== Otázky - rozpis =====
@@ Řádek 44: / Řádek 53: @@
   - Michal Uřičář & Martin Zachar
   - Martin Zachar
-  - 30
+  - Vitalij Chalupník & Martin Vogal
   - Martin Zachar
   - Martin Zachar
@@ Řádek 72: / Řádek 81: @@
   * a jestli je R dostatecne velke, tak tam bude roh
-Parametry:
+Vstup:
   * x, y - souřadnice bodu
+Parametry:
   * σi - parametr pro rozmazaní gaussem (nepřímá úměra)
   * σd - parametr pro derivaci (neprímá úměra)
   * threshold - jaká musí být odezva, aby byl bod prohlášen za Harrisův (nepřímá úměra)
+  * non-maxima suppression (potlačení nemaximalních odezev) (nepřímá úměra)
 Invariantní
   * Invariantní k rotaci(geom.)
   * Není Invariantní ke změně měřítka(Image scale)(geom.)
+  * Invariantní k posunu intenzity (fotom.)
+  * Není Invariantní ke škálování (násobek) intenzity (fotom.)
 **Z přednášky:**
@@ Řádek 248: / Řádek 261: @@
-Pro získaní lokálního popisu invariantního k geometrickým a fotometrickým transformacím scény, potřebujeme okolí získaných záchytných bodů znormalizovat tak aby jsme odstranili efekt geometrické resp. fotometrické transformace intenzity. Po odstranění těchto deformací pak můžeme na normalizovaném okolí počítat popis, jenž je nezávislý na těchto deformacích.
+Pro získaní lokálního popisu invariantního k geometrickým a fotometrickým transformacím scény, potřebujeme okolí získaných záchytných bodů znormalizovat tak, aby jsme odstranili efekt geometrické resp. fotometrické transformace intenzity. Po odstranění těchto deformací pak můžeme na normalizovaném okolí počítat popis, jenž je nezávislý na těchto deformacích.
 **Geometrická normalizace**
-Geometrickou normalizací nazýváme process geometrické transformace okolí bodu v obrázku do kanonického souřadného systému. Informace o geometrické transformaci okolí budeme uchovávat ve formě tzv. **rámce** – projekce kanonického souřadného systému do okolí záchytného bodu nebo oblasti v obrázku. Rámec reprezentujeme 3 x 3 transformací A, podobně jako na prvním cvičení. Transformaci A využijeme k získání výřezu, malého okolí záchytného bodu v kanonickém souřadném systému. Všechny další měrení na tomhle typicky čtvercovém výrězu původního obrázku jsou teď již invariantní k odpovídající geometrické transformaci scény.
+Geometrickou normalizací nazýváme process geometrické transformace okolí bodu v obrázku do kanonického souřadného systému. Informace o geometrické transformaci okolí budeme uchovávat ve formě tzv. **rámce** – projekce kanonického souřadného systému do okolí záchytného bodu nebo oblasti v obrázku. Rámec reprezentujeme 3 x 3 transformací A. Transformaci A využijeme k získání výřezu, malého okolí záchytného bodu v kanonickém souřadném systému. Všechny další měrení na tomhle typicky čtvercovém výrězu původního obrázku jsou teď již invariantní k odpovídající geometrické transformaci scény.
@@ Řádek 270: / Řádek 283: @@
 **9. Popište, jak lze získat korespondence mezi dvojicí snímku, které se významne liší úhlem pohledu (tzv. „wide baseline matching“)**
 Aby jste mohli ověrit korespondence i pro jiné než rovinné scény, budeme potřebovat obecnejší vztah svazující dva body ve dvou kamerách. Tento vztah se pro dvojici perspektivních kamer jmenuje epipolární geometrie.
 Epipolární geometrie je reprezentována maticí F, zvanou fundamentální matice. Pro její nalezení je potřebných alespoň 7 korespondujících bodů.
+**Epipolární geometrie** je geometrický vztah korespondujících bodů xl a xr, obrazů bodu ve scéně viděného dvojicí perspektivních kamer:
+{{:courses:epipolar_geometry.png|}}
 Viz: [[http://cw.felk.cvut.cz/doku.php/courses/a4m33mpv/cviceni/2_hledani_korespondenci/start#vzajemna_poloha_dvou_kamer_epipolarni_geometrie|http://cw.felk.cvut.cz/doku.php/courses/a4m33mpv/cviceni/2_hledani_korespondenci/start#vzajemna_poloha_dvou_kamer_epipolarni_geometrie]]
@@ Řádek 531: / Řádek 546: @@
   - vytvoř akumulátor A(fi, r) a nastav vše na 0
   - pro všechny vstupní body: pro každý možný model objektu (určený parametry) zahlasuj do akumulátoru.
-  - vyber z akumulátoru takovou sadu parametrů, která má největší počet hlasů (jeste tam je nejaka redukce ruseni,moc sem nepobral .. nahnal bych na to gauss filtr a hotovka)
+  - vyber z akumulátoru takovou sadu parametrů, která má největší počet hlasů (pro redukci rušení se příspěvek připisuje i do okolních buněk)
@@ Řádek 544: / Řádek 559: @@
 **22. Porovnejte HT a prohledávání prostoru všech hledaných struktur hrubou silou.**
-//** Nevim jestli to je dobre ... jenom intuice co znamena to prohl..... hrubou silou **//
+<del>//** Nevim jestli to je dobre ... jenom intuice co znamena to prohl..... hrubou silou **//
-Tak jestli dobre chapu to "prohledávání prostoru všech hledaných struktur hrubou silou", tak se jedna o to ze zkusim kazdy mozny model (nezavisle zdali je jeho soucasti alespon jeden bod) a hledam pocet bodu,ktere do tohoto modelu padne. Zase musi prijit v uvahu kvantizace (jinak by bylo nekonecne modelu). Je urcite narocnejsi nez HT, jelikoz prohledava cely Houhguv prostor, kde hleda inliery. Naproti tomu HT vychazi z bodu,tzn. uz minimalne jeden bod do tohoto modelu patri.
+Tak jestli dobre chapu to "prohledávání prostoru všech hledaných struktur hrubou silou", tak se jedna o to ze zkusim kazdy mozny model (nezavisle zdali je jeho soucasti alespon jeden bod) a hledam pocet bodu,ktere do tohoto modelu padne. Zase musi prijit v uvahu kvantizace (jinak by bylo nekonecne modelu). Je urcite narocnejsi nez HT, jelikoz prohledava cely Houhguv prostor, kde hleda inliery. Naproti tomu HT vychazi z bodu,tzn. uz minimalne jeden bod do tohoto modelu patri.</del>
+Podle me jde spis o to, ze zatimco u hrube sily je potreba vyzkouset vsechny moznosti (ale samozrejme jen ty smysluplne, nebudu prece zkouset primku kilometr daleko od jakehokoliv bodu), tak HT je v podstate reseni analyticke = znam analyticky popis hledaneho objektu a pro kazdy bod jen vykreslim FUNKCI, ktera ho zobrazi do Houghova prostoru. Tam uz jen hledam kolize, tj. nejvyssi naakumulovanou hodnotu.  --- //[[[email protected]|Petr Kubizňák]] 2012/06/02 23:48//
 ========
@@ Řádek 647: / Řádek 664: @@
 Vypočtené středy (mean-shift) kvantizujeme tak, aby patřily do zadaného prostoru (každá barva 8 bitů).
-**Jinak**:
+**Jinak** (//ze zkoušky se ukázalo, že tudy cesta bohužel nevede//):
 Sestavme si z obrázku RBG graf, jako je na obrázku níže:
@@ Řádek 671: / Řádek 688: @@
 Poté "střílíme" čísla on nuly do jedné s rovnoměrným rozdělením od vertikální osy. Narazí nám na graf funkce (čáru). Vezmeme vzorek, který je nejbližší vyšší od nárazu (viz.: [[http://cmp.felk.cvut.cz/cmp/courses/a4m33mpv/Videos/impsampl.avi]]). Ten uložíme do xis. Takto střílíme n-krát.
+**Obr. z VIDEA:**
+{{:courses:importance_sampling.png|}}
 ========
@@ Řádek 677: / Řádek 697: @@
 **30. Objekt je reprezentován barevným histogramem (3-D histogram barevných kanálu). Navrhnete alespon jednu metodu, jak porovnávat oblast v obraze s objektem. Za další metodu mužete získat extra bod.**
-     doplnit
+**Idea**:
+Využijeme znalosti segmentace barevných (RGB) obrazů. Tento obrázek (bílá ovce na zelené louce) si rozdělíme do dvou tříd, tj. například budeme hledat oblast v obraze odpovídající nějakému objektu (ovce) a jeho pozadí.
+Jednu třídu již máme zadanou barevným histogramem a to objekt (ovci). No a druhou třídu, tedy oblast (kterou můžeme buď dostat na vstupu a nebo postupně prohledávat celý obrázek například okenní fcí), máme také, tedy si z této oblasti zjistím jeho barevný histogram a oba dva pak porovnám a pokud míra shodnosti obou histogramů překračuje nějaký threshold, našli jsme objekt, pokud je míra menší než threshold, hledáme na jiné oblasti.
+{{:courses:sheephistogramy.png|}}
 ========
@@ Řádek 689: / Řádek 716: @@
 ========
-**32. Problém segmentace obrazu. Jasová hodnota pixelu i (znacka) fi závisí i na dalších pixelech, tedy P(fi|fS−{i}) 6= P(fi). Zformulujte podmínku pro to, aby P(fi|fS−{i}) bylo Markovské pole.**
+**32. Problém segmentace obrazu. Jasová hodnota pixelu i (znacka) fi závisí i na dalších pixelech, tedy P(fi|fS−{i}) != P(fi). Zformulujte podmínku pro to, aby P(fi|fS−{i}) bylo Markovské pole.**

courses/a4m33mpv.1275591171.txt.gz · Poslední úprava: 2025/01/03 18:15 (upraveno mimo DokuWiki)

Nahoru