„Számítógépes látórendszerek - Ellenőrző kérdések: Detektálás, Osztályozás” változatai közötti eltérés
A VIK Wikiből
9. sor: | 9. sor: | ||
== Ismertesse a template matching algoritmust! Milyen transzformációk esetén biztosít invarianciát az algoritmus? == | == Ismertesse a template matching algoritmust! Milyen transzformációk esetén biztosít invarianciát az algoritmus? == | ||
=== Transzformációk === | |||
* Megvilágítás | |||
**A kereszt-korreláció se az additív, se a multiplikatív megvilágítás változásra sem invariáns! | |||
**Megoldás: Normalizáljuk a pixelértékeket! | |||
***Vonjuk le az átlagos intenzitást | |||
***És osszuk el őket a varianciájukkal | |||
*Skála | |||
**Nincs skálainvariancia! | |||
**Template piramissal azért megoldható... | |||
*Elforgatás | |||
**Nincs elforgatás invariancia! | |||
**Több, előre elforgatott template | |||
== Mit jelent a gépi tanulás? Milyen típusai és tipikus feladatai vannak? Mi az a bináris klasszifikációs probléma és hogyan terjeszthető ki nem bináris esetre? Mit jelent a lineáris szétválaszthatóság? == | == Mit jelent a gépi tanulás? Milyen típusai és tipikus feladatai vannak? Mi az a bináris klasszifikációs probléma és hogyan terjeszthető ki nem bináris esetre? Mit jelent a lineáris szétválaszthatóság? == |
A lap 2015. június 5., 19:32-kori változata
Mit jelent a detektálás/lényegkiemelés, illetve az osztályozás? Milyen nehézségekkel kerülünk szembe az egyes feladatok esetén?
Detektálás/lényegkiemelés
Bonyolultabb, érdekes képrészletek, objektumok azonosítása.
Nehézség
- Különböző nézőpont
- Transzformáció
Ismertesse a template matching algoritmust! Milyen transzformációk esetén biztosít invarianciát az algoritmus?
Transzformációk
- Megvilágítás
- A kereszt-korreláció se az additív, se a multiplikatív megvilágítás változásra sem invariáns!
- Megoldás: Normalizáljuk a pixelértékeket!
- Vonjuk le az átlagos intenzitást
- És osszuk el őket a varianciájukkal
- Skála
- Nincs skálainvariancia!
- Template piramissal azért megoldható...
- Elforgatás
- Nincs elforgatás invariancia!
- Több, előre elforgatott template
Mit jelent a gépi tanulás? Milyen típusai és tipikus feladatai vannak? Mi az a bináris klasszifikációs probléma és hogyan terjeszthető ki nem bináris esetre? Mit jelent a lineáris szétválaszthatóság?
Ismertesse a kNN algoritmust!
K Nearest Neighbor – k legközelebbi szomszéd Az osztályozandó példához legközelebb eső k tanító adatot vesszük figyelembe Az ő címkéjük alapján dönt az algoritmus az adott problémáról.
Ismertesse a Bayes hálók működését!
Ismertesse a percepton/neuron algoritmust! Hogyan terjeszthető ki nemlineáris esetre?
Ismertesse a Support Vector Machine (SVM) algoritmust! Hogyan terjeszthető ki nemlineáris esetre?
Mi a klaszterezés, mire jó? Ismertessen klaszterező algoritmusokat! Mi az erős és a gyenge hozzárendelés, és hogyan kapcsolódik az egyes algoritmusokhoz?
Mutassa be a főkomponens analízis (PCA) algoritmust!
Mi a mély tanulás és mire jó? Mutassa be a legfontosabb mély tanuló struktúrákat!
2015-ben nem kell!