Parking Surveillance. foreground/background segmentation - objectherkenning. Examen Beeldverwerking Pieter Vancoillie
|
|
- Nele Smeets
- 7 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Parking Surveillance foreground/background segmentation - objectherkenning Examen Beeldverwerking Pieter Vancoillie
2 Doel van het (deel)project Uit beelden van een camera voetgangers, fietsers en auto s herkennen We nemen en camerabeeld als sequentie van frames die we analyseren Elk frame ondergaat: Elk frame ondergaat: Segmentatie Classificatie
3 Foreground/Background Segmentation Doel is om pixels in het beeld als actief aan te duiden, deze zijn interessant voor verder onderzoek Niet-actieve pixels worden als achtergrond beschouwd, deze worden niet verder onderzocht
4 Methode voor segmentatie Voor het segmenteren is de Mixture of Gaussians (MoG) methode gebruikt MoG is een Mixture model Elke cluster van data in een Mixture model wordt voorgesteld door een bepaalde distributie, hier de normale verdeling Hierover straks meer
5 MoG - Implementatie Matlab code voor MoG is origineel van Power en Schoonees en bewerkt door Jan Gobin & Pieter Cogghe Het resultaat zijn frames waarin de voorgrond rood is gekleurd. Interessanter om verder te bekijken zijn de masks die het Interessanter om verder te bekijken zijn de masks die het algoritme opbouwt, in een mask is de voorgrond wit en de achtergrond zwart.
6 MoG - Snelheid Een frame met resolutie van 640x480 pixels, waarvan we enkel de centrumstrook bekijken, heeft tussen de 6 à 8 seconden nodig voor analyse Oplossing: Doel van het (deel)project is detectie van voetganger, fietser en Doel van het (deel)project is detectie van voetganger, fietser en auto Datareductie door een resolutieverlaging van het frame Op voorwaarde dat het patroon nog steeds herkenbaar is
7 MoG - Reductie Resolutie Uit de multiresolutieanalyse van de Haar-Wavelet transformatie weten we dat de beschrijvende functie convergeert naar de grondtoon van de datareeks De reductie kent een ondergrens afhankelijk van het detailniveau gewenst in het patroon Detailniveau is afhankelijk van de toepassing: Onderscheid tussen auto en fietser Onderscheid auto en lichte vrachtwagen Onderscheid op type auto
8 MoG Reductie Resolutie Voor het classificeren van voetgangers, fietsers en auto s werden de level 2 beschrijvende coëfficiënten (A 2 ) van de 2D-Haar-Wavelet transformatie gebruikt Matlab bevat een WaveletToolbox : Functie: [C,S] =wavedec2(x,n,'wname') X: input matrix (frame) N: niveau van decompositie (2) C: vector met benaderende en detail coëfficiënten S: matrix met lengtes van de verschillende coëfficiënten reeksen Voordeel: benaderende en detail coëfficiënten van de verschillende niveaus, handig voor een meer dynamisch systeem Nadeel: benaderende coëfficiënten worden opgeslagen in zelfde resolutie ongeacht niveau Dit zou aanpassingen vergen aan het MoG-algoritme wat niet het doel is van deze voorcompressie, het MoG-algoritme moet onafhankelijk van de invoer werken. Oplossing: Eigen implementatie voor de decompositie (dim A 2 = 160x120)
9
10
11 MoG-Conclusie De tijd voor het analyseren van één frame is hierdoor een factor 10 gedaald en bedraagt nu ~ 0,4 seconden Op deze manier kunnen er 2 frames per seconde verwerkt worden Datareductie Voorgrond / Achtergrond segmentatie Classificatie
12 Object Herkenning - Classificatie We willen de herkende patronen gaan klasseren in 3 klassen: Auto Fietser Voetganger Hiervoor zijn 2 alternatieven bekeken: Hiervoor zijn 2 alternatieven bekeken: Hopfieldnet K-means clustering
13 Hopfieldnet Een neuraal netwerk dat een biologisch associatief geheugen modelleert Kan gebruikt worden voor patroonherkenning Het netwerk wordt getraind met verschillende bitpatronen (masks) die door de mens geclassificeerd zijn = de leerverzameling Na training zijn de klassen waarin we willen groeperen de stabiele toestanden Nu kan het net gebruikt worden om nieuwe frames te klasseren. Als een bepaald patroon wordt aangeboden is het resultaat de dichtst bijzijnde stabiele toestand (associatie)
14 Hopfieldnet
15 Hopfieldnet
16 K-means Clustering We klasseren in 3 groepen (k=3). Aangezien de testsequentie bijna geen frames met voetgangers bevat zien we deze klasse als alles wat geen fiets en geen auto is De leerverzameling bevat ongeveer 400 frames, wordt deze leerverzameling goed ingedeeld dan weten we dat de gemiddelden bruikbaar zijn Als we drie gemiddelde patronen hebben kunnen we op deze basis klasseren
17 K-means - Implementatie Wat is het gemiddelde patroon van een groep patronen? Elk patroon is een binaire zwart-witfiguur Per groep tellen we alle patronen op en delen we door het aantal patronen Algoritme: 1. Arbitraire verdeling van de patronen 2. Gemiddelden per groep berekenen 3. Patronen opnieuw indelen 4. Herhalen 2 & 3 tot de groepen stabiel zijn of maximum iteraties bereikt Goed resultaat pas na selectie van de leerverzameling, er zijn te veel frames waar niks gebeurt t.o.v. het aantal frames waar wel een object te zien is, hierdoor stijgt de invloed van het ruis.
18 Theorie: MoG Het pixelproces: Hieronder verstaan we de veranderingen die een pixel ondergaat in de loop van de tijd Op elk gegeven moment is de geschiedenis van de pixel gekend {X1,...,Xt} = {I(x0, y0, i) : 1 i t} {x0,y0}: de pixel I: frame sequentie
19 Pixelproces - Ideaal Als enkel kleine wijzigingen optreden over tijd kan pixel {x0,y0} gemodelleerd worden door één adaptieve gaussiaan. (bv een pixel op een vast oppervlak onderhevig aan enkel geleidelijke lichtwijziging) Zo is het duidelijk dat de waarde op tijdstip 5 te ver afwijkt van de norm en dus als voorgrond moet geklasseerd worden (een object komt voorbij)
20 Pixelproces - realiteit Vele oppervlakken hebben een multimodaal karakter Hierboven zien we twee voorbeelden van oppervlakken met een bimodaal karakter Rechts van de figuren zien we een plot met de rgb-waarden in functie van de tijd Het nodige aantal aan verdelingen wordt bepaald door beweging en textuur
21 Waarschijnlijkheidsfunctie De recente geschiedenis van een pixel, {X1,...,Xt},wordt voorgesteld door een mengeling van K gauss distributie, de verwachting voor de huidige pixel (Xt) is: De probabiliteit kan berekend worden door de som te nemen van elke mogelijke uitkomst Xt (stochastische variabele) vermenigvuldigd met de kans op deze uitkomst K= aantal distributies, tussen 3 à 5, afhankelijk van geheugen en rekenkracht ωi,t = schatting van het gewicht van de i de gaussiaan op tijd t (welk deel van de data vertegenwoordigd wordt door deze gaussiaan), ω=1 µi,t = gemiddelde (mean) waarde van de i de gaussiaan op tijd t Σi,t = de covariantiematrix van de i de gaussiaan op tijd t, matrix met de variantie voor rood-, groen- en blauwwaarden. η= De dichtheidsfunctie van de i de gaussiaan op tijd t T= gedeelte van de data dat geacht wordt achtergrond te zijn o<t<1 ~
22 MoG Dichtheidsfuncties 1D-pixel waarde X = {0,1,.,255} K = 3 ω k = {0.2,0.2,0.6} μ k = {80,100,200} σ k = {20,5,10}
23 MoG Om het Algoritme te verduidelijken volgen we één iteratie van een pixel in het pixelproces De iteratie moet uitgevoerd worden voor elk pixel van het frame om het te analyseren
24 Iteratie v/h pixelproces Elke nieuwe frame zorgt voor een nieuwe pixel-waarde voor {x0,y0} Zoals bij het classificeren met K-means gaan we de K distributies af op zoek naar een match, we hebben de passende distributie gevonden als X t binnen 2,5σ van μ van een distributie ligt. Als er een match is gevonden: Aanpassing van de gewichten als volgt: ωk,t = ωk,t 1 + α(mk,t ωk,t 1) M Mk,t = 1 voor het model dat past, 0 voor alle andere modellen α = leerconstante, α bepaalt hoe snel de parameters worden aangepast Na het bereken van de nieuwe gewichten worden deze terug genormaliseerd ( =1) Aanpassing μ en σ van de passende verdeling : Zelfde vorm als de aanpassing van het gewicht, hier met ρ die afhangt van α en de dichtheidsfunctie
25 Iteratie v/h pixelproces Als er geen match is gevonden: We vervangen de minst waarschijnlijke distributie, heeft de laagste probabiliteit, door een nieuwe distributie met als waarden: μ = de huidige waarde van {x0,y0} σ = een initieel hoge variantie ω = een initieel laag gewicht
26 Iteratie v/h pixelproces Welke distributies stellen het meest waarschijnlijk een achtergrondwaarde voor? Dit is de distributie met grootste gewicht en de laagste variantie grootste gewicht: duidt op distributie met veel matches laagste variantie: nieuwe pixelwaarde komt niet overeen met één van de μ s: variantie aanwezige distributie vergroten een distributie vervangen met een nieuwe met hoge variantie als nieuwe pixelwaarde overeenkomt met één van de μ s daalt de variantie van de betreffende distributie
27 Iteratie v/h pixelproces We rangschikken de gauss distributies op de waarde van ω/σ van groot naar klein we nemen de eerste B distributies als achtergrondmodel we klasseren distributies tot de achtergrond tot het geaccumuleerde gewicht T overschrijdt T: Ook hier is T de maat voor het deel van de data dat als achtergrond wordt verwacht Nemen we T klein: unimodaal achtergrondkarakter, één kleur als achtergrond Nemen we T groot: multimodaal achtergrondkarakter, meerdere kleuren als achtergrond Valt de huidige pixelwaarde van {x0,y0} binnen een distributie die als achtergrond is geklasseerd dan wordt {x0,y0} als achtergrond geklasseerd, anders wordt het aangeduid als een voorgrondpixel
28 Conclusie De methode vraagt 2 parameters die moeten worden opgegeven T & α Adaptieve gaussiaan techniek, zo wordt geleidelijke verandering van licht opgevangen. Multimodale distributies, zorgen voor het opvangen van schitteringen, wuivende takken, etc. Snel herstel als er terug wordt overgegaan naar een achtergrondwaarde Reken- en geheugenintensief: Voor elke pixel 5 gauss distributies in een frame van 640x480 pixels betekent 3x5x640x480 = variabelen voor het model. Het Algoritme dient uitgevoerd te worden voor elke pixel van elk frame van de sequentie
Tentamen Beeldverwerking TI2716-B Woensdag 28 januari 2015 14.00-17.00
Tentamen Beeldverwerking TI2716-B Woensdag 28 januari 2015 14.00-17.00 De 2D Gaussische fimctie e-' = 037 e'^ =0.14 e"'' = 0.082 e-' =0.018 deze toets bestaat uit 4 opgaven en 8 pagina's Opgave 1 en 2
Nadere informatieWat is perceptie? Artificiële Intelligentie 1. Visuele perceptie. Perceptie. een probleem? De camera obscura
Wat is perceptie? Perceptie is het waarnemen van de staat van de wereld. Artificiële Intelligentie Visuele perceptie Hoofdstuk 24 uit Russell & Norvig Hiervoor heb je sensors nodig, voorbeeld Binaire sensor:
Nadere informatieNormale Verdeling Inleiding
Normale Verdeling Inleiding Wisnet-hbo update maart 2010 1 De Normale verdeling De Normale Verdeling beschrijft het gedrag van een continue kansvariabele x. Om kansen te berekenen, moet de dichtheidsfunctie
Nadere informatieContinuous Learning in Computer Vision S.L. Pintea
Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision Natura non facit saltus. Gottfried Leibniz Silvia-Laura Pintea Intelligent Sensory Information Systems University
Nadere informatieUitgebreid eindwerkvoorstel Lokaliseren van personen en objecten met behulp van camera s
Uitgebreid eindwerkvoorstel Lokaliseren van personen en objecten met behulp van camera s Sofie De Cooman 21 December 2006 Stagebedrijf: Interne begeleider: Externe begeleider: BarcoView Koen Van De Wiele
Nadere informatieSamenhang in Morfologische Beeldanalyse
Samenhang in Morfologische Beeldanalyse Michael H. F. Wilkinson Instituut voor Wiskunde en Informatica Rijksuniversiteit Groningen Overzicht Wat is mathematische morfologie? Connected Filters Basis idee
Nadere informatieFlying Sensor Rapport
Flying Sensor Rapport Locatie: Dintelse Gorzen Noord-Brabant Nederland Vluchtdatum: 21-mei-2014 Flying Sensor: Pelican Client: Natuurmonumenten HiView Costerweg 1V 6702AA Wageningen www.hiview.nl info@hiview.nl
Nadere informatieModelleren C Appels. Christian Vleugels Sander Verkerk Richard Both. 2 april 2010. 1 Inleiding 2. 3 Data 3. 4 Aanpak 3
Modelleren C Appels Christian Vleugels Sander Verkerk Richard Both 2 april 2010 Inhoudsopgave 1 Inleiding 2 2 Probleembeschrijving 2 3 Data 3 4 Aanpak 3 5 Data-analyse 4 5.1 Data-analyse: per product.............................
Nadere informatiehttp://www.playgarden.com/ Inleiding 8
http://www.playgarden.com/ Inleiding 8. Inleiding.. Wat is zippen? Regelmatig moet je grote bestanden van de ene computer naar de andere doorgegeven. Dit doe je dan via het internet, via een netwerk, met
Nadere informatieIn de door ons gebruikte demo verloopt het herkennen van beelden in feite in 2 fasen:
Practicum: deel 1 Hond zoekt Bal In het practicum Hond zoekt Bal laten we je kennis maken met de werking van supercomputers. We gebruiken daarvoor een applicatie waarmee met een webcam objecten herkend
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Beknopte uitwerking Examen Neurale Netwerken (2L490) d.d. 11-8-2004.
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Beknopte uitwerking Eamen Neurale Netwerken (2L490) d.d. 11-8-2004. 1. Beschouw de volgende configuratie in het platte vlak. l 1 l 2
Nadere informatieTentamen 8D040 - Basis beeldverwerking
Tentamen 8D040 - Basis beeldverwerking 6 augustus 2008, 14.00-17.00 uur Vraag 1. (1.5 punten) Gegeven het binaire beeld Components (figuur 1). De componenten in dit beeld moeten automatisch gesegmenteerd
Nadere informatieComputer Vision: Hoe Leer ik een Computer Zien?
Computer Vision: Hoe Leer ik een Computer Zien? Michael H.F. Wilkinson Instituut voot Wiskunde en Informatica Rijksuniversiteit Groningen 27 April 2006 Overzicht 1 of 19 Wat is Computer Vision? Wat zijn
Nadere informatieBij herhaalde metingen ANOVA komt het effect van het experiment naar voren bij de variantie binnen participanten. Bij de gewone ANOVA is dit de SS R
14. Herhaalde metingen Introductie Bij herhaalde metingen worden er bij verschillende condities in een experiment dezelfde proefpersonen gebruikt of waarbij dezelfde proefpersonen op verschillende momenten
Nadere informatieInleiding statistiek
Inleiding Statistiek Pagina 1 uit 8 Inleiding statistiek 1. Inleiding In deze oefeningensessie is het de bedoeling jullie vertrouwd te maken met een aantal basisbegrippen van de statistiek, meer bepaald
Nadere informatieWat is perceptie? Artificiële Intelligentie 1. Visuele perceptie. Soorten perceptie. Perceptie. een probleem?
Wat is perceptie? Perceptie is het waarnemen van de staat van de wereld. Artificiële Intelligentie Visuele perceptie Hoofdstuk 24 uit Russell & Norvig Hiervoor heb je sensors nodig, voorbeeld Binaire sensor:
Nadere informatieDerde serie opdrachten systeemtheorie
Derde serie opdrachten systeemtheorie Opdracht 1. We bekijken een helicopter die ongeveer stilhangt in de lucht. Bij benadering kan zo n helicopter beschreven worden door het volgende stelsel vergelijkingen
Nadere informatieRaamwerk voor Optimale Globale Belichting
Raamwerk voor Optimale Globale Belichting Lukas Latacz Mathieu De Zutter Departement Computer Graphics K.U.Leuven 18 april 2005 Overzicht 1 Inleiding Situering Probleemstelling Vorig werk 2 Nieuw raamwerk
Nadere informatieOpdracht 3: Baanintegratie: Planeet in een dubbelstersysteem
PLANETENSTELSELS - WERKCOLLEGE 3 EN 4 Opdracht 3: Baanintegratie: Planeet in een dubbelstersysteem In de vorige werkcolleges heb je je pythonkennis opgefrist. Je hebt een aantal fysische constanten ingelezen,
Nadere informatieInhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen
Tom Heskes IRIS, NIII Inhoud De bouwstenen van het zenuwstelsel: neuronen en synapsen Complex gedrag uit eenvoudige elementen McCulloch-Pitts neuronen Hopfield netwerken Computational neuroscience Lerende
Nadere informatieWetenschappelijk Rekenen
Wetenschappelijk Rekenen Examen - Bacheloropleiding informatica Oefeningen 3 mei 23. Implementeer de functie x n+ = mod(2x n, ) waarbij je gebruik maakt van een voorstelling met reële getallen. Zorg er
Nadere informatieFace detection in color images Verslag. Domien Nowicki 0522689 Bjorn Schobben 0522953
Face detection in color images Verslag Domien Nowicki 0522689 Bjorn Schobben 0522953 Inhoudstabel Inleiding... 3 Gezichtsdetectiealgoritme...3 Gezichtsmasker aanmaken...4 Belichting compensatie... 5 Niet-lineaire
Nadere informatie3. Structuren in de taal
3. Structuren in de taal In dit hoofdstuk behandelen we de belangrijkst econtrolestructuren die in de algoritmiek gebruikt worden. Dit zijn o.a. de opeenvolging, selectie en lussen (herhaling). Vóór we
Nadere informatiePROJECT 1: Kinematics of a four-bar mechanism
KINEMATICA EN DYNAMICA VAN MECHANISMEN PROJECT 1: Kinematics of a four-bar mechanism Lien De Dijn en Celine Carbonez 3 e bachelor in de Ingenieurswetenschappen: Werktuigkunde-Elektrotechniek Prof. Dr.
Nadere informatieStatistiek voor Natuurkunde Opgavenserie 1: Kansrekening
Statistiek voor Natuurkunde Opgavenserie 1: Kansrekening Inleveren: 12 januari 2011, VOOR het college Afspraken Serie 1 mag gemaakt en ingeleverd worden in tweetallen. Schrijf duidelijk je naam, e-mail
Nadere informatie2. Geef een voorbeeld van hoe datamining gebruikt kan worden om frauduleuze geldtransacties te identificeren.
1. Veronderstel dat je als datamining consultant werkt voor een Internet Search Engine bedrijf. Beschrijf hoe datamining het bedrijf kan helpen door voorbeelden te geven van specifieke toepassingen van
Nadere informatieTentamen Data Mining
Tentamen Data Mining Algemene Opmerkingen Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. Laat bij het uitvoeren van berekeningen zien hoe je aan een antwoord gekomen bent.
Nadere informatieAUTOMATISCHE OBJECTHERKENNING EN VERANDERINGSDETECTIE UIT PUNTENWOLKEN VANUIT DE LUCHT EN VANAF DE STRAAT. SANDER OUDE ELBERINK 11 JUNI 2015
AUTOMATISCHE OBJECTHERKENNING EN VERANDERINGSDETECTIE UIT PUNTENWOLKEN VANUIT DE LUCHT EN VANAF DE STRAAT. SANDER OUDE ELBERINK 11 JUNI 2015 ITC = FACULTY OF GEO-INFORMATION SCIENCE AND EARTH OBSERVATION
Nadere informatieEen computerprogramma is opgebouwd uit een aantal instructies die op elkaar volgen en die normaal na elkaar uitgevoerd worden.
2 Programmeren 2.1 Computerprogramma s Een computerprogramma is opgebouwd uit een aantal instructies die op elkaar volgen en die normaal na elkaar uitgevoerd worden. (=sequentie) Niet alle instructies
Nadere informatieToets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016:
Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: 11.00-13.00 Algemene aanwijzingen 1. Het is toegestaan een aan beide zijden beschreven A4 met aantekeningen te raadplegen. 2. Het is toegestaan
Nadere informatieDeel 1. Wat is HDR fotografie?.
Deel 1. Wat is HDR fotografie?. Inleiding. Met het intrede van de digitale fotografie is ook de beeldbewerkingsoftware in een stroomversnelling geraakt. Eén van de meest recente ontwikkelingen is de High
Nadere informatiepéãáj~ìíçã~íáëåüé=sáçéç=péöãéåí~íáé
péãáj~ìíçã~íáëåüé=sáçéç=péöãéåí~íáé gçå~ë=_ìåíáåñ éêçãçíçê=w mêçñk=çêk=müáäáééé=_bh^boq = báåçîéêü~åçéäáåö=îççêöéçê~öéå=íçí=üéí=äéâçãéå=î~å=çé=öê~~ç= j~ëíéê=áå=çé=áåñçêã~íáå~=ãìäíáãéçá~ Semi-automatische
Nadere informatieKRACHT VAN LUCHTFOTOS
KRACHT VAN LUCHTFOTOS (Satellietfoto s) WAT KAN JE ER MEE???? TOEPASSINGEN I. Zoekt u soms de verschillen van twee luchtfoto s II. Waar kan ik in een stad zonnepanelen op daken plaatsen en waar staan zij
Nadere informatiePIJNHERKENNING MET CAMERA S
PIJNHERKENNING MET CAMERA S monitoren van discomfort bij dementerende bejaarden op basis van automatische beeldherkenning ing. Bert Bonroy, dr B. Vanrumste KHKempen MOBILAB ir. Pieter Schiepers, ir. D.
Nadere informatieRandom Sampling Strategies for Robust Motion Estimation
Universiteit van Amsterdam Bachelor Afstudeerproject Random Sampling Strategies for Robust Motion Estimation Student: Sebastiaan de Stoppelaar sstoppel@science.uva.nl Studentnummer: 0331937 Begeleider:
Nadere informatieWe illustreren deze werkwijze opnieuw a.h.v. de steekproef van de geboortegewichten
Hoofdstuk 8 Betrouwbaarheidsintervallen In het vorige hoofdstuk lieten we zien hoe het mogelijk is om over een ongekende karakteristiek van een populatie hypothesen te formuleren. Een andere manier van
Nadere informatieNetwerkdiagram voor een project. AOA: Activities On Arrows - activiteiten op de pijlen.
Netwerkdiagram voor een project. AOA: Activities On Arrows - activiteiten op de pijlen. Opmerking vooraf. Een netwerk is een structuur die is opgebouwd met pijlen en knooppunten. Bij het opstellen van
Nadere informatieRecognition and Detection of Objects Using Visual and Textual Cues S. Karaoğlu
Recognition and Detection of Objects Using Visual and Textual Cues S. Karaoğlu Samenvatting Met dit proefschrift richten we onze aandacht op object herkenning en detectie voor een beter begrip in afbeeldingen.
Nadere informatieCover Page. The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation.
Cover Page The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation. Author: Witsenburg, Tijn Title: Hybrid similarities : a method to insert relational information
Nadere informatieVak naam : Beeldbewerking Docent : Lb Vak code : BBW1N1 Datum : Klas : NH43 Tijd : uur Aantal bladzijden : 2 Lok : T40
Vak naam : Beeldbewerking Docent : Lb Vak code : BBW1N1 Datum : 04-01-2000 Klas : NH43 Tijd : 15.05 uur Aantal bladzijden : 2 Lok : T40 Bij dit tentamen is het toegestaan gebruik te maken van dictaten,
Nadere informatieArtificiële Intelligentie, les 9: Visuele perceptie
Artificiële Intelligentie, les 9: Visuele perceptie Borremans Gert Charles Herzeel Van den Broeck Michaël Van Poppel Roel Verborgh David 28 november 2002 1 Inleiding Perceptie is het waarnemen van de staat
Nadere informatieWe zullen in deze les kijken hoe we netwerken kunnen analyseren, om bijvoorbeeld de volgende vragen te kunnen beantwoorden:
Wiskunde voor kunstmatige intelligentie, 24 Les 5 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin een aantal knopen acties aangeeft en opdrachten langs verbindingen tussen de
Nadere informatiemailgroep photoshop Copyright Lesje: Stel je eigen kamer samen -
Lesje: Stel je eigen kamer samen - http://www2.hku.nl/~fotoshop/img-tutorial5 In deze les gaan we een drie-dimensionale ruimte bouwen, in dit geval een gezellige woonkamer. Uiteraard mag je deze zelf in
Nadere informatieRobuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid
Robuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid Dr.ir. P.W. Heijnen Faculteit Techniek, Bestuur en Management Technische Universiteit Delft 22 april 2010 1 1 Introductie De
Nadere informatieStochastische grafen in alledaagse modellen
Stochastische grafen in alledaagse modellen Ionica Smeets en Gerard Hooghiemstra 27 februari 2004 Stochastische grafen zijn grafen waarbij het aantal kanten bepaald wordt door kansverdelingen. Deze grafen
Nadere informatieEen objectief Ranglijst Systeem. ontworpen door. Martien Maas
Een objectief Ranglijst Systeem ontworpen door Martien Maas Nijmegen, Nederland, Augustus 2014 1 Eigenschappen van het Ranglijst Systeem: Het Maas Ranglijst Systeem is objectief: op geen enkele manier
Nadere informatieHOOFDSTUK VII REGRESSIE ANALYSE
HOOFDSTUK VII REGRESSIE ANALYSE 1 DOEL VAN REGRESSIE ANALYSE De relatie te bestuderen tussen een response variabele en een verzameling verklarende variabelen 1. LINEAIRE REGRESSIE Veronderstel dat gegevens
Nadere informatieGegevensverwerving en verwerking
Gegevensverwerving en verwerking Staalname - aantal stalen/replicaten - grootte staal - apparatuur Experimentele setup Bibliotheek Statistiek - beschrijvend - variantie-analyse - correlatie - regressie
Nadere informatieData Mining: Clustering
Data Mining: Clustering docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Wat is clustering? Het onderverdelen van de objecten in een database in homogene
Nadere informatieVakgroep CW KAHO Sint-Lieven
Vakgroep CW KAHO Sint-Lieven Objecten Programmeren voor de Sport: Een inleiding tot JAVA objecten Wetenschapsweek 20 November 2012 Tony Wauters en Tim Vermeulen tony.wauters@kahosl.be en tim.vermeulen@kahosl.be
Nadere informatieNABESPREKING PRACTICUMTOETS 26 APRIL 2018
NABESPREKING PRACTICUMTOETS 26 APRIL 2018 INHOUD Deel 1: Centrale nabespreking Goede antwoorden Veel gemaakte fouten Deel 2: Individuele feedback 2 VRAAG 1A, BR UITWERKVRAAG Maak voor 1 meting van de vallende
Nadere informatieAfdeling Wiskunde. Onderwijs. Onderzoek
Wiskunde nu Afdeling Wiskunde Onderwijs Onderzoek Afdeling Wiskunde In recente jaren aanzienlijk uitgebreid en verjongd Nu ± 25 vaste medewerkers en postdocs, ook aanzienlijk aantal deeltijd hoogleraren
Nadere informatieStapelgek in 42 stappen
Stapelgek in 42 stappen Een stap voor stap beschrijving van het maken van een simpele stack met DeepSkyStacker met eenvoudige nabewerking in Photoshop Download en installeer het gratis programma DeepSkyStacker
Nadere informatieOpgave 2 ( = 12 ptn.)
Deel II Opgave 1 (4 + 2 + 6 = 12 ptn.) a) Beschouw bovenstaande game tree waarin cirkels je eigen zet representeren en vierkanten die van je tegenstander. Welke waarde van de evaluatiefunctie komt uiteindelijk
Nadere informatien-queens minimale dominantie verzamelingen Chessboard Domination on Programmable Graphics Hardware door Nathan Cournik
n-queens minimale dominantie verzamelingen Chessboard Domination on Programmable Graphics Hardware door Nathan Cournik Rick van der Zwet 4 augustus 2010 Samenvatting Dit schrijven zal
Nadere informatieNeurale Netwerken en Deep Learning. Tijmen Blankevoort
Neurale Netwerken en Deep Learning Tijmen Blankevoort De toekomst - Internet of Things De toekomst - sluiertipje Je gezondheid wordt continue gemonitored Je dieet wordt voor je afgestemd -> Stroomversnelling
Nadere informatieCase 1 en Simulink. 1. Diodefactor bepalen. I = I sc - I s (e!
Case 1 en Simulink 1. Diodefactor bepalen Om de diodefactor te berekenen werden eerst een aantal metingen gedaan met het zonnepaneel en de DC- motor. Er werd een kring gemaakt met het zonnepaneel en een
Nadere informatieAI introductie voor testers
AI introductie voor testers De basis van deep learning TestNet werkgroep Testen met AI Martin van Helden Sander Mol Introductie Artificial Intelligence (AI) is anders dan traditioneel programmeren. Traditioneel
Nadere informatieen-splitsingen: een aantal alternatieven worden parallel toegepast, of-splitsingen: van een aantal alternatieven wordt er één toegepast,
Kansrekening voor Informatiekunde, 25 Les 8 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin knopen acties aangeven en opdrachten langs verbindingen tussen de knopen verwerkt
Nadere informatieTentamen Inleiding Intelligente Data Analyse Datum: Tijd: , BBL 420 Dit is geen open boek tentamen.
Tentamen Inleiding Intelligente Data Analyse Datum: 19-12-2002 Tijd: 9.00-12.00, BBL 420 Dit is geen open boek tentamen. Algemene aanwijzingen 1. U mag ten hoogste één A4 met aantekeningen raadplegen.
Nadere informatieWetenschappelijk Rekenen
Wetenschappelijk Rekenen Examen - Bacheloropleiding informatica Oefeningen 3 september 204. Beschouw de matrix A = 8 6 3 5 7 4 9 2 Deze matrix heeft 5 als dominante eigenwaarde. We proberen deze eigenwaarde
Nadere informatieGebruik Data Science om je bedrag per kassabezoek te verbeteren
Gebruik Data Science om je bedrag per kassabezoek te verbeteren We hebben nu wel van Data Science gehoord, tools gezien en vlammende betogen gehoord waar gezegd wordt dat je nu moet instappen. Waar wat
Nadere informatieAlgoritmisch denken: analyseren, ontwerpen, beschrijven van oplossingen en implementeren met Alice
Algoritmisch denken: analyseren, ontwerpen, beschrijven van oplossingen en implementeren met Alice HA-9518-04 Alle studierichtingen tweede graad ASO TSO KSO Martine De Belder Werkgroep Handel 2012 Guimardstraat
Nadere informatieIn Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen.
Leerlijn programmeren In Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen. Deze leerlijn is opgebouwd aan de
Nadere informatieOEFENINGEN PYTHON REEKS 5
Signaal- en beeldverwerking OEFENINGEN PYTHON REEKS 5 In deze oefeningenreeks gaan we enkele eenvoudige toepassingen bestuderen in het domein van signaal- en beeldverwerking. In de eerste oefeningen beschouwen
Nadere informatieHertentamen Biostatistiek 3 / Biomedische wiskunde
Hertentamen Biostatistiek 3 / Biomedische wiskunde 2 juni 2014; 18:30-20:30 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het
Nadere informatieAutonoom vinden van een object met een quadcopter
Universiteit van Amsterdam Autonoom vinden van een object met een quadcopter Sebastiaan Joustra (10516999) Joeri Bes (10358234) Joeri Sleegers (10631186) Bram Smit (10666656) 27 juni 2014 1 Abstract Dit
Nadere informatieNu een leuk stukje wiskunde ter vermaak (hoop ik dan maar). Optellen van oneindig veel getallen
Nu een leuk stukje wiskunde ter vermaak (hoop ik dan maar). Optellen van oneindig veel getallen Ter inleiding: tellen Turven, maar: onhandig bij grote aantallen. Romeinse cijfers: speciale symbolen voor
Nadere informatieSequentie. Methode voor het ontwerpen van een programmastructuur
1 ONTWERPTECHNIEKEN Methode voor het ontwerpen van een programmastructuur Bouwstenen Sequentie Selectie Iteratie 1.1 Achtergrond 1.1.1 Ruimtelijk denken in plaats van sequentieel denken PROGRAMMA architect
Nadere informatieDEEL 1. Voorwoord Over dit boek en de auteurs...ix
Voorwoord Over dit boek en de auteurs...............................ix DEEL 1 Basisvaardigheden. Situering van Photoshop binnen de grafische sector..............5 Het werkgebied..........................................7
Nadere informatieHoeveel vertrouwen heb ik in mijn onderzoek en conclusie? Les 1
Hoeveel vertrouwen heb ik in mijn onderzoek en conclusie? Les 1 1 Onderwerpen van de lessenserie: De Normale Verdeling Nul- en Alternatieve-hypothese ( - en -fout) Steekproeven Statistisch toetsen Grafisch
Nadere informatieDe dimensie van een deelruimte
De dimensie van een deelruimte Een deelruimte van R n is een deelverzameling die op zichzelf ook een vectorruimte is. Ter herinnering : Definitie. Een deelverzameling H van R n heet een deelruimte van
Nadere informatieLes 1: de normale distributie
Les 1: de normale distributie Elke Debrie 1 Statistiek 2 e Bachelor in de Biomedische Wetenschappen 18 oktober 2018 1 Met dank aan Koen Van den Berge Indeling lessen Elke bullet point is een week. R en
Nadere informatieVan component tot vision project
Techniek gaat prima samen. Van component tot vision project Al meer dan tien jaar is Data Vision de grootste distributeur van vision componenten in de Benelux met kantoren in Nederland en België. Data
Nadere informatieExamen Statistische Modellen en Data-analyse. Derde Bachelor Wiskunde. 14 januari 2008
Examen Statistische Modellen en Data-analyse Derde Bachelor Wiskunde 14 januari 2008 Vraag 1 1. Stel dat ɛ N 3 (0, σ 2 I 3 ) en dat Y 0 N(0, σ 2 0) onafhankelijk is van ɛ = (ɛ 1, ɛ 2, ɛ 3 ). Definieer
Nadere informatie. Dan geldt P(B) = a. 1 4. d. 3 8
Tentamen Statistische methoden 4052STAMEY juli 203, 9:00 2:00 Studienummers: Vult u alstublieft op het meerkeuzevragenformulier uw Delftse studienummer in (tbv automatische verwerking); en op het open
Nadere informatieJ De centrale draait (met de gegevens) gedurende één jaar. Het gemiddelde vermogen van de centrale kan dan berekend worden:
Uitwerking examen Natuurkunde1 HAVO 00 (1 e tijdvak) Opgave 1 Itaipu 1. De verbruikte elektrische energie kan worden omgerekend in oules: 17 = 9,3 kwh( = 9,3 3, ) = 3,3 De centrale draait (met de gegevens)
Nadere informatieCover Page. The handle holds various files of this Leiden University dissertation
Cover Page The handle http://hdl.handle.net/1887/22286 holds various files of this Leiden University dissertation Author: Nezhinsky, A.E. Title: Pattern recognition in high-throughput zebrafish imaging
Nadere informatieAugmented Reality for Workbenches
Universiteit Hasselt Bachelorproef Augmented Reality for Workbenches Auteur: Nick Michiels (0623764) Promotor Prof. Dr. Philippe Bekaert Begeleiders Tom Cuypers Yannick Francken Eindwerk voorgedragen tot
Nadere informatieBepaling energie en soortelijke warmte 2D-atoomrooster m.b.v. de Metropolis Monte Carlo methode
Bepaling energie en soortelijke warmte 2D-atoomrooster m.b.v. de Metropolis Monte Carlo methode Verslag Computational Physics Sietze van Buuren Begeleider: Prof.Dr. H. de Raedt 29 december 25 Samenvatting
Nadere informatieSamenvatting Nederlands
Samenvatting Nederlands 178 Samenvatting Mis het niet! Incomplete data kan waardevolle informatie bevatten In epidemiologisch onderzoek wordt veel gebruik gemaakt van vragenlijsten om data te verzamelen.
Nadere informatieProgrammeren. Inleiding
Programmeren Inleiding STAPPEN IN DE ONTWIKKELING VAN EEN PROGRAMMA 1. Probleem 1. Probleem Ideaal gewicht berekenen Wortel van een vierkantsvergelijking berekenen Schaakspel spelen Boekhouding doen 2.
Nadere informatieWetenschappelijk Rekenen
Wetenschappelijk Rekenen Examen - Bacheloropleiding informatica Oefeningen 22 augustus 213 1. Hoe zou je de vector x in de uitdrukking Q x = A n y op een computationeel slimme manier berekenen? Hierbij
Nadere informatiePOD1 - Hoofdstuk 1: Inleiding
POD1 - Hoofdstuk 1: Inleiding 2/59 POD1 - Hoofdstuk 1: Inleiding Stijn Lievens (Stijn.Lievens@hogent.be) Noemie Slaats (Noemie.Slaats@hogent.be) Lieven Smits (Lieven.Smits@hogent.be) Martine Van Der Weeen
Nadere informatieVU University Amsterdam 2018, Maart 27
Department of Mathematics Exam: Voortgezette biostatistiek VU University Amsterdam 2018, Maart 27 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.
Nadere informatieBroodje bakken in Photoshop
http://psd.tutsplus.com/tutorials/drawing/create-a-realistic-loaf-of-bread-in-photoshop/ Broodje bakken in Photoshop Stap 1 Nieuw document = 1000 x 550 px. Nieuwe groep maken, je noemt die BG of background.
Nadere informatieVorig college. IN2505-II Berekenbaarheidstheorie College 4. Opsommers versus herkenners (Th. 3.21) Opsommers
Vorig college College 4 Algoritmiekgroep Faculteit EWI TU Delft Vervolg NDTM s Vergelijking rekenkracht TM s en NDTM s Voorbeelden NDTM s 20 april 2009 1 2 Opsommers Opsommers versus herkenners (Th. 3.21)
Nadere informatieHOOFDSTUK IV TOETSEN VAN STATISTISCHE HYPOTHESEN
HOOFDSTUK IV TOETSEN VAN STATISTISCHE HYPOTHESEN 4.1 PARAMETERTOESTEN 1 A. Toetsen van het gemiddelde Beschouw een steekproef X 1, X,, X n van n onafhankelijke N(µ, σ) verdeelde kansveranderlijken Men
Nadere informatieDENKVAARDIGHEDEN bron: The Parallel Curriculum
DENKVAARDIGHEDEN bron: The Parallel Curriculum In 'The Parallel Curriculum' van Tomlinson et al. (2009) worden de 'Habits of Mind' van mensen die intelligent handelen beschreven, op basis van onderzoek
Nadere informatie1. Gegeven zijn de itemsores van 8 personen op een test van 3 items
1. Gegeven zijn de itemsores van 8 personen op een test van 3 items item Persoon 1 2 3 1 1 0 0 2 1 1 0 3 1 0 0 4 0 1 1 5 1 0 1 6 1 1 1 7 0 0 0 8 1 1 0 Er geldt: (a) de p-waarden van item 1 en item 2 zijn
Nadere informatiePopulaties beschrijven met kansmodellen
Populaties beschrijven met kansmodellen Prof. dr. Herman Callaert Deze tekst probeert, met voorbeelden, inzicht te geven in de manier waarop je in de statistiek populaties bestudeert. Dat doe je met kansmodellen.
Nadere informatieSPSS Introductiecursus. Sanne Hoeks Mattie Lenzen
SPSS Introductiecursus Sanne Hoeks Mattie Lenzen Statistiek, waarom? Doel van het onderzoek om nieuwe feiten van de werkelijkheid vast te stellen door middel van systematisch onderzoek en empirische verzamelen
Nadere informatieKANSREKENEN EN VERDELINGEN REEKS 1
KANSREKENEN EN VERDELINGEN REEKS 1 Moeilijkere oefeningen zijn aangegeven met een gevarendriehoek Niet elke regel met R-code zal je kunnen/moeten gebruiken Versie 18/07/2019 1. Verdelingsfunctie Het aantal
Nadere informatieHandleiding Gold- en Superstation
1 Configuratie... 3 On Site... 4 Live bekijken... 4 Uitleg scherm... 4 1. Omschrijving beeld... 5 2. Selecteren Beeldscherm... 5 3. Selecteren Camera en weergave type Opname... 5 4. Datum en Uur van de
Nadere informatieTentamen 8D040 - Basis beeldverwerking. 24 juni 2011, uur
Tentamen 8D040 - Basis beeldverwerking 24 juni 2011, 14.00-17.00 uur 1 Algemeen: Maak opgave 4 op een apart vel, en de overige opgaven op een andere set vellen. Alle vragen tellen even zwaar mee in het
Nadere informatieOefeningenles beeldverwerking
Oefeningenles beeldverwerking Histogram Wat is een histogram hoe kunnen we een histogram opstellen? Welke afbeelding hoort bij welk histogram? Waarom? Een histogram geeft voor elke grijswaarde het aantal
Nadere informatieBeeldverwerking. Deel 2. Segmentatie. Segmentatie
Beeldverwerking Deel 2 Segmentatie Johan Baeten Beeldverwerking Deel2-1 Segmentatie Doel: Beeld opsplitsen in gebieden Objecten onderscheiden van achtergrond Sementatie is in het algemeen moeilijk Johan
Nadere informatieOplossingen Datamining 2II15 Juni 2008
Oplossingen Datamining II1 Juni 008 1. (Associatieregels) (a) Zijn de volgende beweringen juist of fout? Geef een korte verklaring voor alle juiste beweringen en een tegenvoorbeeld voor alle foute be-weringen:
Nadere informatieP = LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten:
LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten: Voorbeeld: Zoek de unieke oplossing van het stelsel π = π P waarvoor bovendien geldt dat i S π i = 1. P = 0 1/4
Nadere informatieGeheugenbeheer. ICT Infrastructuren 2 december 2013
Geheugenbeheer ICT Infrastructuren 2 december 2013 Doelen van geheugenbeheer Reloca>e (flexibel gebruik van geheugen) Bescherming Gedeeld/gemeenschappelijk geheugen Logische indeling van procesonderdelen
Nadere informatie