Bildverstehen II at TU München

Flashcards and summaries for Bildverstehen II at the TU München

Arrow Arrow

It’s completely free

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Study with flashcards and summaries for the course Bildverstehen II at the TU München

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Gegeben sind 2 3D-Punktwolken. Mit welchen Algorithmus gleicht man sie einander an? Beschreibe den Algorithmus.

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Wie kann Vergleichbarkeit zwischen Linienbreiten unterschiedlicher Modelle erreicht werden?

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Warum wird die Linienbreite in der Maßstabsraum-Repräsentation verzerrt extrahiert?

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Wie kann die Verzerrung korrigiert werden?

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Unter welchen Umständen sind die extrahierten Linienpunkte nicht verzerrt?

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Was ist der Vorteil des Lepetit-Punkteextraktor?

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Wie funktioniert ein Mehrschichtiges Perzeptron?

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Vergleiche multi-layer perceptron, support vector machine und GMM in Bezug auf inhärente Neuheitserkennung

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Welche drei Datensätze gibt es und wofür braucht man diese

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Wie können Bayessche Wahrscheinlichkeiten zur Merkmalsklassifikation verwendet werden?

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Welche Typen von Klassifikatoren gibt es?

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Beschreibe das Prinzip von Convolutional Neural Networks

Your peers in the course Bildverstehen II at the TU München create and share summaries, flashcards, study plans and other learning materials with the intelligent StudySmarter learning app.

Get started now!

Flashcard Flashcard

Exemplary flashcards for Bildverstehen II at the TU München on StudySmarter:

Bildverstehen II

Gegeben sind 2 3D-Punktwolken. Mit welchen Algorithmus gleicht man sie einander an? Beschreibe den Algorithmus.

Name: Iterative Closest Point Algorithmus

Wiederholung zweier Schritte:

– Korrespondenzermittlung: Für jeden Punkt der ersten Punktwolke wird der unter der aktuellen Pose nächste Punkt der zweiten Punktwolke gesucht

– Abstandsminimierung: Es wird die Pose bestimmt, die die Summe der quadrierten Abstände zwischen den in Schritt 1 ermittelten Punktpaaren minimiert

  • ICP als Optimierungsverfahren sucht das lokale Minimum dieses Fehlers und ist bei einer guten Startpose in der Lage, die optimale Pose zu finden

  • Iteration wird terminiert, wenn der Fehler unter einen Schwellwert fällt oder eine vorgegebene Anzahl an Iterationen erreicht wurde

  • Großteil der Laufzeit wird für die Korrespondenzsuche benötigt, wofür eine effiziente Datenstruktur zur Bestimmung des nächsten Nachbars (Nearest-Neighbor-Verfahren) benötigt wird. Üblicherweise: 

    • Voxelbasierte Verfahren

    • k-d-Bäume

    • Vollständige Suche

Bildverstehen II

Wie kann Vergleichbarkeit zwischen Linienbreiten unterschiedlicher Modelle erreicht werden?

Fordern, dass alle drei Modelle gleiche Gesamtenergie besitzen (Integrale von -unendlich bis +unendlich )

Bildverstehen II

Warum wird die Linienbreite in der Maßstabsraum-Repräsentation verzerrt extrahiert?

Durch die Glättung beeinflussen sich die beiden Kanten der Linien gegenseitig

Bildverstehen II

Wie kann die Verzerrung korrigiert werden?

Man modelliert die Verzerrung b⁻¹, tabelliert sie für die jeweiligen Linienprofile und interpoliert sie bilinear

Bildverstehen II

Unter welchen Umständen sind die extrahierten Linienpunkte nicht verzerrt?

Falls vernachlässigbare Asymmetrie vorliegt und die Linie freistehend ist

Bildverstehen II

Was ist der Vorteil des Lepetit-Punkteextraktor?

Schneller Extraktor für Laufzeitkritische Anwendungen

Bildverstehen II

Wie funktioniert ein Mehrschichtiges Perzeptron?

  • Ausgabe jedes Neuron = Sigmoid(gewichtete lineare Kombination der Ausgaben der Neuronen aus der Vorgängerschicht)
  • Sigmoid: ermöglicht Berechnung der Ableitungen
  • Softmax in Ausgabeschicht –> Summe aller Werte 1
  • Training durch Minimierung des Cross-Entropy-Fehlers
  • Regularisierung notwending, da sonst Gewichte beliebig groß werden können, was zu hohen Aktivierungen der Ausgabeklassen auch in Gebieten erfolt, in denen keine Trainingsdaten vorliegen

Bildverstehen II

Vergleiche multi-layer perceptron, support vector machine und GMM in Bezug auf inhärente Neuheitserkennung

  • MLP
    • Separate Klasse für Merkmalsvektoren, die zu keiner trainierten Klasse gehören, muss eingeführt werden
    • Für diese Rückweisungsklasse können während des Trainings automatisch Trainingsdaten erzeugt werden
  • SVM
    • Unmodifizierte SVM eignet sich nicht zur Neuheitserkennung
    • Modifizierung möglich (–> gibt eine Frage dazu)
  • GMM
    • GMM sind inhärent zur Neuheitserkennung fähig und deshalb in vielen Anwendungen zu bevorzugen

Bildverstehen II

Welche drei Datensätze gibt es und wofür braucht man diese

  • Training: Bestimmung der Parameter des Klassifikators
  • Validierung:  bestimmte Hyperparameter des Klassifikators festzulegen
  • Test: Bestimmung der Güte der Generalisierungseigenschaften des Klassifikators

Bildverstehen II

Wie können Bayessche Wahrscheinlichkeiten zur Merkmalsklassifikation verwendet werden?

Merkmalsvektor x wird Klasse mit höchsten a-posteriori Wahrscheinlichkeit zugewiesen

Bildverstehen II

Welche Typen von Klassifikatoren gibt es?

  • Klassifikatoren, die a-priori-Wahrscheinlichkeiten der einzelnen Klassen konstruieren
  • Klassifikatoren, die explizite Trennflächen zwischen den einzelnen Klassen konstruieren

Bildverstehen II

Beschreibe das Prinzip von Convolutional Neural Networks

  • Ersetzen der ersten Schichten eines MLP durch Faltungen mit geteilten Gewichten
  • Dadurch Klassifikator in der Lage, Merkmalsextraktion aus Trainingsdaten zu lernen
  • CNN besteht aus mehreren Conv und Pool Layern, gefolgt von fully connected Schicht zur Klassifikation
  • Bei Mehrkanalbildern werden Faltungen über alle Kanäle berechnet und aufsummiert

Sign up for free to see all flashcards and summaries for Bildverstehen II at the TU München

Singup Image Singup Image
Wave

Other courses from your degree program

For your degree program Robotics; Cognition; Intelligence at the TU München there are already many courses on StudySmarter, waiting for you to join them. Get access to flashcards, summaries, and much more.

Back to TU München overview page

IN 2023 BV I

IN2222 CogSys

Management von Geschäftsstrategien

Humanoid Cognitive Reasoning

Computer Vision III: Detection, Tracking, Segmentation

Methoden der Produktentwicklung

CogSys 2020

What is StudySmarter?

What is StudySmarter?

StudySmarter is an intelligent learning tool for students. With StudySmarter you can easily and efficiently create flashcards, summaries, mind maps, study plans and more. Create your own flashcards e.g. for Bildverstehen II at the TU München or access thousands of learning materials created by your fellow students. Whether at your own university or at other universities. Hundreds of thousands of students use StudySmarter to efficiently prepare for their exams. Available on the Web, Android & iOS. It’s completely free.

Awards

Best EdTech Startup in Europe

Awards
Awards

EUROPEAN YOUTH AWARD IN SMART LEARNING

Awards
Awards

BEST EDTECH STARTUP IN GERMANY

Awards
Awards

Best EdTech Startup in Europe

Awards
Awards

EUROPEAN YOUTH AWARD IN SMART LEARNING

Awards
Awards

BEST EDTECH STARTUP IN GERMANY

Awards

How it works

Top-Image

Get a learning plan

Prepare for all of your exams in time. StudySmarter creates your individual learning plan, tailored to your study type and preferences.

Top-Image

Create flashcards

Create flashcards within seconds with the help of efficient screenshot and marking features. Maximize your comprehension with our intelligent StudySmarter Trainer.

Top-Image

Create summaries

Highlight the most important passages in your learning materials and StudySmarter will create a summary for you. No additional effort required.

Top-Image

Study alone or in a group

StudySmarter automatically finds you a study group. Share flashcards and summaries with your fellow students and get answers to your questions.

Top-Image

Statistics and feedback

Always keep track of your study progress. StudySmarter shows you exactly what you have achieved and what you need to review to achieve your dream grades.

1

Learning Plan

2

Flashcards

3

Summaries

4

Teamwork

5

Feedback