Computer Vision III: Detection, Tracking, Segmentation an der TU München

Karteikarten und Zusammenfassungen für Computer Vision III: Detection, Tracking, Segmentation an der TU München

Arrow Arrow

Komplett kostenfrei

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

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs Computer Vision III: Detection, Tracking, Segmentation an der TU München.

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

Briefly describe Viola-Jones Detector

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

Briefly describe procedure of Histogram of Oriented Gradients

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

Name Three Classical Object Detection Methods

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

Briefly describe the algorithm of Non-Max Suppression 

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

Name several one-stage detectors

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

Name several two-stage detectors

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

Which datasets are used to evaluate object detection methods?

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

Describe the training scheme for R-CNN

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

What is the main contribution of the SPP-Net?

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

How does the Fast R-CNN work?

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

How does a Region Proposal Network work?

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

What is YOLO and how does it work?

Kommilitonen im Kurs Computer Vision III: Detection, Tracking, Segmentation an der TU München. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Computer Vision III: Detection, Tracking, Segmentation an der TU München auf StudySmarter:

Computer Vision III: Detection, Tracking, Segmentation

Briefly describe Viola-Jones Detector

- learn multiple weak learners on Haar-like features

- combine result of weak learners to form strong final decision

- use AdaBoost to find best combination of weak learners

Computer Vision III: Detection, Tracking, Segmentation

Briefly describe procedure of Histogram of Oriented Gradients

- choose images that contain object you want to detect

- choose images that do NOT contain said object

- compute HOG for each image

- train SVM on HOG to separate images with object and images without object

Computer Vision III: Detection, Tracking, Segmentation

Name Three Classical Object Detection Methods

- Template matching + sliding window

- Viola-Jones Detector

- Histogram of Oriented Gradients (HOG)

Computer Vision III: Detection, Tracking, Segmentation

Briefly describe the algorithm of Non-Max Suppression 

- Algo 

for box in AllBoxes:

  for otherBox in AllBoxes:

   if overlap(box, otherBox):

    keepBetterBox(score(box), score(otherBox))


- overlap is IoU

- score depends on task

- NMS used in many tasks


Computer Vision III: Detection, Tracking, Segmentation

Name several one-stage detectors

- YOLO

- Single-Shot Multiscale Detector (SSD)

- RetinaNet

- CornerNet

- CenterNet

- ExtremeNet

Computer Vision III: Detection, Tracking, Segmentation

Name several two-stage detectors

- R(egion)-CNN

- Fast R-CNN

- Faster R-CNN

- SPP-Net

- R-FCN

- FPN

Computer Vision III: Detection, Tracking, Segmentation

Which datasets are used to evaluate object detection methods?

- PASCAL VOC 2007-12

- ImageNet 2010-17

- COCO 2015-

- OpenImages 2018-

Computer Vision III: Detection, Tracking, Segmentation

Describe the training scheme for R-CNN

1. Pretrain CNN on ImageNet

2. Fine-tune CNN on classes that you are actually trying to predict

3. Train one SVM per class on image regions.

4. Train bounding box regressor (L2 loss)

Computer Vision III: Detection, Tracking, Segmentation

What is the main contribution of the SPP-Net?

Instead of passing every proposal region through a separate CNN, the entire image is passed through a single CNN

Computer Vision III: Detection, Tracking, Segmentation

How does the Fast R-CNN work?

- like SPP-Net it applies a CNN on entire image

- the proposals are then extracted from the feature map and warped using ROI pooling

- to warp the features, one applies a grid of fixed size on each proposal (backprop like max-pooling)

Computer Vision III: Detection, Tracking, Segmentation

How does a Region Proposal Network work?

- Per pixel in the feature map, you have 9 anchors (3 differently sized boxes at 3 different ratios)

- the proposals get refined via regression (L1 loss) and classified as object/non-object

Computer Vision III: Detection, Tracking, Segmentation

What is YOLO and how does it work?

- You Only Look Once is a one-stage detector

- there are no object proposals but detection and box regression is done directly from feature map

- for this, the image is divided into grid and multiple boxes are set in the grid (~100k proposals)

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Computer Vision III: Detection, Tracking, Segmentation an der TU München zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Computer Vision III: Detection, Tracking, Segmentation an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

IN 2023 BV I

IN2222 CogSys

Management von Geschäftsstrategien

Humanoid Cognitive Reasoning

Bildverstehen II

Methoden der Produktentwicklung

CogSys 2020

autonomous driving (in2356)

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für Computer Vision III: Detection, Tracking, Segmentation an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback