Vojtěch Franc. Biometrie ZS Poděkování Janu Šochmanovi za slajdy vysvětlující AdaBoost
|
|
- Julie Kadlecová
- před 7 lety
- Počet zobrazení:
Transkript
1 Rozpoznávání tváří I Vojtěch Franc Centrum strojového vnímání, ČVUT FEL Praha Biometrie ZS 2013 Poděkování Janu Šochmanovi za slajdy vysvětlující AdaBoost
2 Úlohy rozpoznávání tváří: Detekce Cíl: lokalizovat tvář v obraze Vstup: obrázek 2/21 Výstup: pozice tváře (souřadnice, velikost, popřípadě orientace)
3 Úlohy rozpoznávání tváří: Verifikace Cíl: ověřit identitu na základě porovnání tváře s databází 3/21 Vstup: obrázek (nebo video) tváře a jméno Výstup: binární rozhodnutí - idenita ověřena nebo zamítnuta Input image User database Kim Ki-Duk Verification machine verified / rejected
4 Úlohy rozpoznávání tváří: Identifikace Cíl: přiřadit tváři identitu na základě porovnání s databází Vstup: obrázek (nebo video) 4/21 Výstup: jedna z N identit popřípadě odpověď není v databázi
5 Úlohy rozpoznávání tváří: Vyhledávání Cíl: nalézt v databázi tváře podle zadaného popisu 5/21 Vstup: obrázek tváře (popřípadě slovní popis) Výstup: N nejbližších obrázků v databázi face descriptor Part of the ISO/IEC JTC 1SC 29WG 11 (MPEG7) standard.
6 Úlohy rozpoznávání tváří: Kategorizace Cíl: zařadit tvář do jedné z N kategorií 6/21 Vstup: obrázek (nebo video) Výstup: jedna z N kategorií Příklady kategorií: muž/žena, věkové kategorie, nálada (úsměv/smutek/neutrální), rasa (běloch/černoch/asiat)
7 Úlohy rozpoznávání tváří: Detekce mluvčího Cíl: nalézt ve videu kdo mluví 7/21 Vstup: video sekvence s lidmi Výstup: lokalizace mluvících tváří
8 Úlohy rozpoznávání tváří: Odhad tepové frekvence Cíl: odhadnout tepovou frekvenci sledovaného subjektu 8/21 Vstup: video tváře Výstup: tepová frekvence
9 Proč je rozpoznávání tváří v obecném případě těžké? Tváře se typicky reprezentují vektorem příznaků a podobnost tváří se měří podobností těchto vektorů (např. jejich Euklidovskou vzdáleností). 9/21 Tváře patřící do stejné třídy mají velkou variabilitu: změna pozice, meřítka, rotace (roll, pan, tilt) změna osvětlení změna výrazu tváře (úsměv, smutek, neutrální,...) zákryty (brýle, pokrývka hlavy), změna účesu, make up, stárnutí...
10 Složitost rozpoznávání tváří je ovlivňena mnoha faktory Světelné podmínky (venkovní/vnitřní prostor, stíny, přesvětlení obrazu...) 10/21 Použitý snímací senzor: kamera pracující ve viditelném spektru infračervená kamera (s IR přísvícením) stereo kamera 3D skener Statický obrázek / video sekvence Spolupracující / nespolupracující subjekt...
11 Příklad rozpoznávacího systému, stavební bloky Geometrická a fotometrická normalizace: 11/21 cílem je získat reprezentaci tváře invariantní vůči geometrické transformaci či změně osvětlení geometrická normalizace se typicky řeší nalezením významných bodů na tváři Příznakový popis: tvář se popíše vektorem čísel (jasové hodnoty, popis textury,...) Klasifikace: zařazení vektoru příznaků do třídy detekce geometrická a fotometrická normalizace příznakový popis klasifikace x 1 x 2. x n id/gender/age
12 Vstup detektoru: obrázek x X Detektor tváří 12/21 Výstup detektoru: množina d D oblastí v obrázku x, které obsahují tváře; oblast je popsaná polohou a velikostí (popřípadě orientací) tváře Kritéria pro hodnocení detektoru Q: X D: přesnost a rychlost Přesnost detektoru tváří se charakterizuje dvěma čísly: 1. True Positive Rate (TPR): pravděpodobnost, že tvář je v obraze nalezena 2. False Positive Rate (FPR): pravděpodnost, že nalezená oblast neobsahuje tvář
13 Scanning window approach 13/21 Problém detekce tváří lze převést na sekvenci binárních klasifikačních problémů tvář/netvář. FACE Těžký rozhodovací problém Q : X D převedeme na mnoho jednodušších H : X { 1, +1} NONFACE
14 Binární klasifikátor tváří Klasifikátor h: X {+1, 1} (tvář/netvář) rozhoduje podle znaménka skórovací funkce f : X R, { +1 pokud f(x) 0 H(x) = 1 pokud f(x) < 0 která je lineární kombinací n slabých klasifikátorů 14/21 f(x) = α 1 h 1 (x) + α 2 h 2 (x) α n h n (x) h i : X {+1, 1}... i-tý slabý klasifikátor α i R... váha i-tého slabého klasifikátoru
15 Slabý klasifikátor pro detektor tváří Slabý klasifikátor je oprahovaná odezva Haarova filtru h i (x) = sign (u,v) A + i (x) x(u, v) x(u, v) + θ (u,v) A i (x) 15/21 Příklady filtrů Odezvu Haarova filtru lze spočítat velmi rychle pomocí integrálního obrázku I(u, v) = u v x(u, v ) u =1 v =1
16 Učení klasifikátorů Jak vybrat takouvou podmnožinu slabých klasifikátorů a jejich váhy, abychom výsledný silný klasifikátor byl přesný? 16/21 H(x) = { +1 pro f(x) 0 1 pro f(x) < 0 kde f(x) = α 1h 1 (x) + α 2 h 2 (x) α n h n (x)
17 Učení klasifikátorů Jak vybrat takouvou podmnožinu slabých klasifikátorů a jejich váhy, abychom výsledný silný klasifikátor byl přesný? 16/21 H(x) = { +1 pro f(x) 0 1 pro f(x) < 0 kde f(x) = α 1h 1 (x) + α 2 h 2 (x) α n h n (x) Klasifikátor se učí sám z množiny trénovacích příkladů {(x1, y1),..., (xm, ym)} (x i, y i = +1) (x i, y i = 1)
18 Učení klasifikátorů Jak vybrat takouvou podmnožinu slabých klasifikátorů a jejich váhy, abychom výsledný silný klasifikátor byl přesný? 16/21 H(x) = { +1 pro f(x) 0 1 pro f(x) < 0 kde f(x) = α 1h 1 (x) + α 2 h 2 (x) α n h n (x) Klasifikátor se učí sám z množiny trénovacích příkladů {(x1, y1),..., (xm, ym)} (x i, y i = +1) (x i, y i = 1) Učení: optimalizační úloha kdy hledáme vektor vah α RL, tak aby trénovací chyba P (α) = m [H(x i, α) y i ] i=1 byla minimální za podmínky, že počet nenulových komponent vektoru α je roven n.
19 Učení klasifikátorů Jak vybrat takouvou podmnožinu slabých klasifikátorů a jejich váhy, abychom výsledný silný klasifikátor byl přesný? 16/21 H(x) = { +1 pro f(x) 0 1 pro f(x) < 0 kde f(x) = α 1h 1 (x) + α 2 h 2 (x) α n h n (x) Klasifikátor se učí sám z množiny trénovacích příkladů {(x1, y1),..., (xm, ym)} (x i, y i = +1) (x i, y i = 1) Učení: optimalizační úloha kdy hledáme vektor vah α RL, tak aby trénovací chyba P (α) = m [H(x i, α) y i ] i=1 byla minimální za podmínky, že počet nenulových komponent vektoru α je roven n. AdaBoost: hladová minimalizace horní meze P (α) U(α) = m i=1 exp( y ih(x i, α)).
20 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} 17/21
21 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m 17/21
22 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : 17/21
23 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 t = 1 17/21
24 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 1 17/21
25 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 1 17/21 Set αt = 12 log(1 ɛt ɛ t )
26 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 1 17/21 Set αt = Update 12 log(1 ɛt ɛ t ) D t+1 (i) = D t(i) exp( α t y i h t (x i )) Z t where Z t is normalisation factor
27 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 1 17/21 Set αt = Update 12 log(1 ɛt ɛ t ) D t+1 (i) = D t(i) exp( α t y i h t (x i )) Z t where Z t is normalisation factor Output the final classifier: H(x) = sign ( ) α 1 h 1 (x)
28 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 2 17/21 Set αt = Update 12 log(1 ɛt ɛ t ) D t+1 (i) = D t(i) exp( α t y i h t (x i )) Z t where Z t is normalisation factor Output the final classifier: H(x) = sign ( ) α 1 h 1 (x) + α 2 h 2 (x)
29 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 3 17/21 Set αt = Update 12 log(1 ɛt ɛ t ) D t+1 (i) = D t(i) exp( α t y i h t (x i )) Z t where Z t is normalisation factor Output the final classifier: H(x) = sign ( ) α 1 h 1 (x) + α 2 h 2 (x) + α 3 h 3 (x)
30 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 4 17/21 Set αt = Update 12 log(1 ɛt ɛ t ) D t+1 (i) = D t(i) exp( α t y i h t (x i )) Z t where Z t is normalisation factor Output the final classifier: H(x) = sign ( ) α 1 h 1 (x) + α 2 h 2 (x) α 4 h 4 (x)
31 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 5 17/21 Set αt = Update 12 log(1 ɛt ɛ t ) D t+1 (i) = D t(i) exp( α t y i h t (x i )) Z t where Z t is normalisation factor Output the final classifier: H(x) = sign ( ) α 1 h 1 (x) + α 2 h 2 (x) α 5 h 5 (x)
32 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 6 17/21 Set αt = Update 12 log(1 ɛt ɛ t ) D t+1 (i) = D t(i) exp( α t y i h t (x i )) Z t where Z t is normalisation factor Output the final classifier: H(x) = sign ( ) α 1 h 1 (x) + α 2 h 2 (x) α 6 h 6 (x)
33 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 7 17/21 Set αt = Update 12 log(1 ɛt ɛ t ) D t+1 (i) = D t(i) exp( α t y i h t (x i )) Z t where Z t is normalisation factor Output the final classifier: H(x) = sign ( ) α 1 h 1 (x) + α 2 h 2 (x) α 7 h 7 (x)
34 AdaBoost algoritmus Given: (x 1, y 1 ),..., (x m, y m ); x i X, y i { 1, +1} Initialise weights D 1 (i) = 1/m For t = 1,..., T : Find ht = arg min ɛ j = m D t (i) y i h j (x i ) h j H i=1 If ɛ t 1/2 then stop t = 40 17/21 Set αt = Update 12 log(1 ɛt ɛ t ) D t+1 (i) = D t(i) exp( α t y i h t (x i )) Z t where Z t is normalisation factor Output the final classifier: H(x) = sign ( ) α 1 h 1 (x) + α 2 h 2 (x) α 40 h 40 (x)
35 Po prvních 25 iteracích. Příklady nalezených slabých klasifikátorů 18/21
36 Urychlení detekce pomocí sekvenčního rozhodování Počet slabých klasifikátorů je n 1000, což může být stále časově náročné pokud používáme celý klasifikátor 19/21 H(x) = { +1 pokud f(x) 0 1 pokud f(x) < 0 f(x) = n α i h i (x) i=1 K rozhodnutí o jasných příkladech tváří/netváří stačí jednoduší pravidlo. Detektor lze urychlit použitím sekvenčního rozhodovacího pravidla S t (x) = +1 f t (x) θt A 1 f t (x) θt B # θt B < f t (x) < θt A f t (x) = t α i h i (x) i=1 # # # S 1 (x) S 2 (x) S 3 (x) S n (x)
37 Příklad komerčního detektoru tváří ( Trénovací množina vytvořena tak, aby pokryla co nejvíce variance (rasa, osvětlení, výraz tváře, pozadí obrázku...). Pozitivní příklady (tváří): více než 500, 000 Synteticky generované z cca 60, 000 tváří aplikováním transformací, které nemění třídu obrázku - malá změna rotace, změna měřítka, posunutí. Pozitivní příklady vyžadují manuální anotaci. Negativní příklady (netváře): přibližně Negativní příklady se generují z množiny obrázků neobsahujících žádné tváře. Není potřeba anotace. Rychlost detektoru závisí na mnoha parametrech (minimální velikost detekované tváře, velikost vstupního obrázku, krok posunutí, rotace...) Například pro rozlišení px a minimální velikosti tváře px zpracuje detektor cca smímků za vteřinu. 20/21
38 Konec 21/21
39
40
41
42 Kim Ki-Duk Verification machine verified / rejected
43
44
45
46
47
48
49
50
51
52
53
54 detekce geometrická a fotometrická normalizace příznakový popis klasifikace x 1 x 2. x n id/gender/age
55
56
57 NONFACE FACE
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109 # # # S 1 (x) S 2 (x) S 3 (x) S n (x)
Vojtěch Franc. Biometrie ZS 2016
Rozpoznávání tváří I Vojtěch Franc Centrum strojového vnímání, ČVUT FEL Praha Biometrie ZS 2016 Osnova: Příklady úloh v rozpoznávání tváří: detekce, verifikace, vyhledávání, odhad věku,... Metriky pro
VíceVojtěch Franc Centrum strojového vnímání, Katedra kybernetiky, FEL ČVUT v Praze Eyedea Recognition s.r.o MLMU 29.4.2015
Příklady použití metod strojového učení v rozpoznávání tváří Vojtěch Franc Centrum strojového vnímání, Katedra kybernetiky, FEL ČVUT v Praze Eyedea Recognition s.r.o MLMU 29.4.2015 Stavební bloky systému
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceRozpoznávání v obraze
Rozpoznávání v obraze AdaBoost a detekce objektů IKR, 2013 Roman Juránek www.fit.vutbr.cz/~ijuranek/personal Detekce objektů Úloha - v daném obraze nalézt objekty určitých tříd
VíceUČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
VíceLineární diskriminační funkce. Perceptronový algoritmus.
Lineární. Perceptronový algoritmus. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics P. Pošík c 2012 Artificial Intelligence 1 / 12 Binární klasifikace
VíceOptimální rozdělující nadplocha 4. Support vector machine. Adaboost.
Optimální rozdělující nadplocha. Support vector machine. Adaboost. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Opakování Lineární diskriminační
VíceDetekce obličeje v obraze s využitím prostředí MATLAB
Detekce obličeje v obraze s využitím prostředí MATLAB T. Malach, P. Bambuch, J. Malach EBIS, spol. s r.o. Příspěvek se zabývá detekcí obličeje ve statických obrazových datech. Algoritmus detekce a trénování
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
VícePřednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
VíceDATA MINING KLASIFIKACE DMINA LS 2009/2010
DATA MINING KLASIFIKACE DMINA LS 2009/2010 Osnova co je to klasifikace typy klasifikátoru typy výstupu jednoduchý klasifikátor (1R) rozhodovací stromy Klasifikace (ohodnocení) zařazuje data do předdefinovaných
VíceTSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY
TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY V PROSTŘEDÍ MATLAB K. Nováková, J. Kukal FJFI, ČVUT v Praze ÚPŘT, VŠCHT Praha Abstrakt Při rozpoznávání D binárních objektů z jejich diskrétní realizace se využívají
VíceMiroslav Čepek. Fakulta Elektrotechnická, ČVUT. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Vytěžování Dat Přednáška 12 Kombinování modelů Miroslav Čepek Pavel Kordík a Jan Černý (FIT) Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL)
VíceAsociativní sítě (paměti) Asociace známého vstupního vzoru s daným výstupním vzorem. Typická funkce 1 / 44
Asociativní paměti Asociativní sítě (paměti) Cíl učení Asociace známého vstupního vzoru s daným výstupním vzorem Okoĺı známého vstupního vzoru x by se mělo také zobrazit na výstup y odpovídající x správný
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ Ing. Jiří Přinosil ANALÝZA EMOCIONÁLNÍCH STAVŮ NA ZÁKLADĚ OBRAZOVÝCH PŘEDLOH Emotional State Analysis
VíceOdečítání pozadí a sledování lidí z nehybné kamery. Ondřej Šerý
Odečítání pozadí a sledování lidí z nehybné kamery Ondřej Šerý Plán Motivace a popis úlohy Rozdělení úlohy na tři části Detekce pohybu Detekce objektů Sledování objektů Rozbor každé z částí a nástin několika
VíceZměkčování hranic v klasifikačních stromech
Změkčování hranic v klasifikačních stromech Jakub Dvořák Seminář strojového učení a modelování 24.5.2012 Obsah Klasifikační stromy Změkčování hran Ranking, ROC křivka a AUC Metody změkčování Experiment
VíceVytěžování znalostí z dat
Vytěžování znalostí z dat Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague Přednáška 5: Hodnocení kvality modelu BI-VZD, 09/2011 MI-POA Evropský sociální
VíceÚvod do zpracování obrazů. Petr Petyovský Miloslav Richter
Úvod do zpracování obrazů Petr Petyovský Miloslav Richter 1 OBSAH Motivace, prvky a základní problémy počítačového vidění, pojem scéna Terminologie, obraz, zpracování a analýza obrazu, počítačové vidění,
VíceZpracování digitalizovaného obrazu (ZDO) - Popisy III
Zpracování digitalizovaného obrazu (ZDO) - Popisy III Statistické popisy tvaru a vzhledu Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování
VíceAutomatické rozpoznávání dopravních značek
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA DOPRAVNÍ Jiří Hofman Automatické rozpoznávání dopravních značek Semestrální práce z předmětu ITS 2012 Obsah 1. Automatické rozpoznávání dopravních značek (ATSR)...
VíceUmělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
VíceRoman Juránek. Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 30
Extrakce obrazových příznaků Roman Juránek Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 30 Motivace Účelem extrakce
VíceDetekce a rozpoznávání mincí v obraze
POV prezentace projektu Projekt pro předmět POV, ZS 2012 Varianta projektu č. 12: Detekce a rozpoznávání mincí v obraze Autoři: Adam Crha, xcrhaa00 Jan Matyáš, xmatya02 Strana 1 z 11 Řešený problém a cíl
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
VíceSEZNÁMENÍ S PROJEKTEM AMA AUTONOMOUS MAPPING AIRSHIP
SEZNÁMENÍ S PROJEKTEM AMA AUTONOMOUS MAPPING AIRSHIP Bronislav Koska*, Tomáš Křemen*, Vladimír Jirka** *Katedra speciální geodézie, Fakulta stavební ČVUT v Praze **ENKI, o.p.s. Obsah Porovnání metod sběru
VíceÚloha: Verifikace osoby pomocí dynamického podpisu
Cvičení z předmětu Biometrie Úloha: Verifikace osoby pomocí dynamického podpisu Jiří Wild, Jakub Schneider kontaktní email: schnejak@fel.cvut.cz 5. října 2015 1 Úvod Úloha má za cíl seznámit vás s metodami
VíceKlasifikace a rozpoznávání
Klasifikace a rozpoznávání Prezentace přednášek Ústav počítačové grafiky a multimédií Téma přednášky Boosting Michal Hradiš UPGM FIT Brno University of Technology Obsah: Co je to boosting? Algoritmus AdaBoost
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
VíceZpracování digitalizovaného obrazu (ZDO) - Segmentace II
Zpracování digitalizovaného obrazu (ZDO) - Segmentace II Další metody segmentace Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování digitalizovaného
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
VíceNumerické metody optimalizace - úvod
Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu
VíceKOMPRESE OBRAZŮ. Václav Hlaváč, Jan Kybic. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání.
1/25 KOMPRESE OBRAZŮ Václav Hlaváč, Jan Kybic Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD
VíceČESKÁ TECHNICKÁ NORMA
ČESKÁ TECHNICKÁ NORMA ICS 35.040 Červenec 2013 Informační technologie Formáty výměny biometrických dat Část 5: Data obrazu obličeje ČSN ISO/IEC 19794-5 36 9860 Information technology Biometric data interchange
Více7 Další. úlohy analýzy řeči i a metody
Pokročilé metody rozpoznávánířeči Přednáška 7 Další úlohy analýzy řeči i a metody jejich řešení Výsledky rozpoznávání (slovník k 413k) frantisek_vlas 91.92( 90.18) [H= 796, D= 10, S= 60, I= 15, N=866,
VíceNeuronové sítě (11. přednáška)
Neuronové sítě (11. přednáška) Machine Learning Naučit stroje se učit O co jde? Máme model výpočtu (t.j. výpočetní postup jednoznačně daný vstupy a nějakými parametry), chceme najít vhodné nastavení parametrů,
VíceBOOSTING A EVOLUČNÍ ALGORITMY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VíceKatedra kybernetiky, FEL, ČVUT v Praze.
Strojové učení a dolování dat přehled Jiří Kléma Katedra kybernetiky, FEL, ČVUT v Praze http://ida.felk.cvut.cz posnova přednášek Přednáška Učitel Obsah 1. J. Kléma Úvod do předmětu, učení s a bez učitele.
VíceSoustavy linea rnı ch rovnic
[1] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení a) soustavy, 10, b) P. Olšák, FEL ČVUT, c) P. Olšák 2010, d) BI-LIN, e) L, f) 2009/2010, g)l.
Vícegeekovo minimum počítačového Nadpis 1 Nadpis 2 Nadpis 3
geekovo minimum Nadpis 1 Nadpis 2 Nadpis 3 počítačového vidění Adam Herout (doc. Jméno Ing. Příjmení Ph.D.) Vysoké učení technické v Brně, Fakulta informačních technologií v Brně Vysoké učení technické
Vícelogistická regrese Miroslav Čepek Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Vytěžování Dat Přednáška 9 Lineární klasifikátor, rozšíření báze, LDA, logistická regrese Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
VíceELIMINACE VLIVU DRUHÉ ROTACE PŘI AFINNĚ INVARIANTNÍM 2D ROZPOZNÁVÁNÍ
ELIMINACE VLIVU DRUHÉ ROTACE PŘI AFINNĚ INVARIANTNÍM 2D ROZPOZNÁVÁNÍ K. Nováková 1, J. Kukal 1,2 1 Fakulta jaderná a fyzikálně inženýrská, ČVUT v Praze 2 Ústav počítačové a řídicí techniky, VŠCHT Praha
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
Metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
Více1 Projekce a projektory
Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor
VíceRosenblattův perceptron
Perceptron Přenosové funkce Rosenblattův perceptron Rosenblatt r. 1958. Inspirace lidským okem Podle fyziologického vzoru je třívrstvá: Vstupní vrstva rozvětvovací jejím úkolem je mapování dvourozměrného
VíceAlgoritmy I, složitost
A0B36PRI - PROGRAMOVÁNÍ Algoritmy I, složitost České vysoké učení technické Fakulta elektrotechnická v 1.01 Rychlost... Jeden algoritmus (program, postup, metoda ) je rychlejší než druhý. Co ta věta znamená??
VícePopis objektů. Karel Horák. Rozvrh přednášky:
1 / 41 Popis objektů Karel Horák Rozvrh přednášky: 1. Úvod.. Příznakový vektor. 3. Příznakový prostor. 4. Členění příznaků. 5. Identifikace oblastí. 6. Radiometrické deskriptory. 7. Fotometrické deskriptory.
Více5. Umělé neuronové sítě. neuronové sítě. Umělé Ondřej Valenta, Václav Matoušek. 5-1 Umělá inteligence a rozpoznávání, LS 2015
Umělé neuronové sítě 5. 4. 205 _ 5- Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce _ 5-2 Neuronové aktivační
Více2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2
Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceStatistická teorie učení
Statistická teorie učení Petr Havel Marek Myslivec přednáška z 9. týdne 1 Úvod Představme si situaci výrobce a zákazníka, který si u výrobce objednal algoritmus rozpoznávání. Zákazník dodal experimentální
VíceKlasifikace a rozpoznávání. Bayesovská rozhodovací teorie
Klasifikace a rozpoznávání Bayesovská rozhodovací teorie Extrakce příznaků 3 25 2 Granáty Jablka Četnost 15 1 5 2 3 4 5 6 7 8 Váha [dkg] Pravděpodobnosti - diskrétní příznaky Uvažujme diskrétní příznaky
VíceDolování dat z multimediálních databází. Ing. Igor Szöke Speech group ÚPGM, FIT, VUT
Dolování dat z multimediálních databází Ing. Igor Szöke Speech group ÚPGM, FIT, VUT Obsah prezentace Co jsou multimediální databáze Možnosti dolování dat v multimediálních databázích Vyhledávání fotografií
VíceDIGITÁLNÍ ORTOFOTO. SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník
DIGITÁLNÍ ORTOFOTO SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník DIGITÁLNÍ SNÍMEK Ortofotomapa se skládá ze všech prvků, které byly v době expozice přítomné na povrchu snímkované oblasti.
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV INTELIGENTNÍCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF INTELLIGENT SYSTEMS ROZPOZNÁVÁNÍ
VíceVyužití detektoru Viola-Jones pro lokalizaci obličeje a očí v barevných obrazech
Využití detektoru Viola-Jones pro lokalizaci obličeje a očí v barevných obrazech Ing. Jiří Přinosil, Bc. Martin Krolikowski Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií,
VíceFakulta informačních technologíı. Extrakce obrazových příznaků 1 / 39
Extrakce obrazových příznaků Ing. Aleš Láník, Ing. Jiří Zuzaňák Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 39
VíceText Mining: SAS Enterprise Miner versus Teragram. Petr Berka, Tomáš Kliegr VŠE Praha
Text Mining: SAS Enterprise Miner versus Teragram Petr Berka, Tomáš Kliegr VŠE Praha Text mining vs. data mining Text mining = data mining na nestrukturovaných textových dokumentech otázka vhodné reprezentace
VícePrincip gradientních optimalizačních metod
Princip gradientních optimalizačních metod Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Úkol a základní
VíceKlasifikace a rozpoznávání. Bayesovská rozhodovací teorie
Klasifikace a rozpoznávání Bayesovská rozhodovací teorie Extrakce p íznaků Granáty Četnost Jablka Váha [dkg] Pravděpodobnosti - diskrétní p íznaky Uvažujme diskrétní p íznaky váhové kategorie Nechť tabulka
VíceTrénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
VíceZpracování digitalizovaného obrazu (ZDO) - Analýza pohybu
Zpracování digitalizovaného obrazu (ZDO) - Analýza pohybu Úvod Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování digitalizovaného obrazu (ZDO)
VíceČísla, reprezentace, zjednodušené výpočty
Čísla, reprezentace, zjednodušené výpočty Přednáška 4 A3B38MMP kat. měření, ČVUT - FEL, Praha J. Fischer A3B38MMP, 2014, J.Fischer, ČVUT - FEL, kat. měření 1 Čísla 4 bitová dec bin. hex. 0 0000 0 1 0001
VíceVÝSLEDKYVÝVOJEAUTONOMNÍ MAPOVACÍVZDUCHOLODĚ
VÝSLEDKYVÝVOJEAUTONOMNÍ MAPOVACÍVZDUCHOLODĚ Ing. B. Koska, Ph.D., Ing. J. Jon Katedra speciální geodézie Fakulta stavební České vysoké učení technické v Praze Telč Listopad 2014 Obsah Seznámení s projektem
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceČasová a prostorová složitost algoritmů
.. Časová a prostorová složitost algoritmů Programovací techniky doc. Ing. Jiří Rybička, Dr. ústav informatiky PEF MENDELU v Brně rybicka@mendelu.cz Hodnocení algoritmů Programovací techniky Časová a prostorová
VíceDIGITÁLNÍ FOTOGRAFIE
DIGITÁLNÍ FOTOGRAFIE Petr Vaněček, katedra informatiky a výpočetní techniky Fakulta aplikovaných věd, Západočeská univerzita v Plzni 19. listopadu 2009 1888, Geroge Eastman You press the button, we do
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VíceModerní metody rozpoznávání a zpracování obrazových informací 15
Moderní metody rozpoznávání a zpracování obrazových informací 15 Hodnocení transparentních materiálů pomocí vizualizační techniky Vlastimil Hotař, Ondřej Matúšek Katedra sklářských strojů a robotiky Fakulta
VíceDálkový průzkum Země. Klasifikace obrazu
Dálkový průzkum Země Klasifikace obrazu Neřízená klasifikace v IDRISI Modul CLUSTER (Image Processing / Hard Classifiers) využívá techniku histogramových vrcholů pásma pro klasifikaci výsledný obraz volba
VíceAutomatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011
Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe
Vícelogistická regrese Miroslav Čepek Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Vytěžování Dat Přednáška 9 Lineární klasifikátor, rozšíření báze, LDA, logistická regrese Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 9
Pravděpodobnost a statistika (BI-PST) Cvičení č. 9 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. LINEÁRNÍ KLASIFIKACE PRINCIPY KLASIFIKACE pomocí diskriminačních funkcí funkcí,
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceAnalýza pohybu. Karel Horák. Rozvrh přednášky: 1. Úvod. 2. Úlohy analýzy pohybu. 3. Rozdílové metody. 4. Estimace modelu prostředí. 5. Optický tok.
1 / 40 Analýza pohybu Karel Horák Rozvrh přednášky: 1. Úvod. 2. Úlohy analýzy pohybu. 3. Rozdílové metody. 4. Estimace modelu prostředí. 5. Optický tok. 2 / 40 Analýza pohybu Karel Horák Rozvrh přednášky:
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 23 Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 2 / 23 biologové často potřebují najít často se opakující sekvence DNA tyto sekvence bývají relativně krátké,
VíceTermovizní měření. 1 Teoretický úvod. Cíl cvičení: Detekce lidské kůže na snímcích z termovizní i klasické kamery
Termovizní měření Cíl cvičení: Detekce lidské kůže na snímcích z termovizní i klasické kamery 1 Teoretický úvod Termovizní měření Termovizní kamera je přístroj pro bezkontaktní měření teplotních polí na
VíceLDA, logistická regrese
Vytěžování Dat Přednáška 9 Lineární klasifikátor, rozšíření báze, LDA, logistická regrese Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
VícePravděpodobně skoro správné. PAC učení 1
Pravděpodobně skoro správné (PAC) učení PAC učení 1 Výpočetní teorie strojového učení Věta o ošklivém kačátku. Nechť E je klasifikovaná trénovací množina pro koncept K, který tvoří podmnožinu konečného
VíceROZ1 CVIČENÍ VI. Geometrická registrace (matching) obrazů
ROZ1 CVIČENÍ VI. Geometrická registrace (matching) obrazů REGISTRACI OBRAZU (IMAGE REGISTRATION) Více snímků téže scény Odpovídající pixely v těchto snímcích musí mít stejné souřadnice Pokud je nemají
VíceKlasifikace a rozpoznávání. Extrakce příznaků
Klasifikace a rozpoznávání Extrakce příznaků Extrakce příznaků - parametrizace Poté co jsme ze snímače obdržely data která jsou relevantní pro naši klasifikační úlohu, je potřeba je přizpůsobit potřebám
VíceStrojové učení Marta Vomlelová
Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer
VíceVyužití metod strojového učení v bioinformatice David Hoksza
Využití metod strojového učení v bioinformatice David Hoksza SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze Bioinformatika Biologické inspirace
VíceAplikace obrazové fúze pro hledání vad
Marek Vajgl, Irina Perfilieva, Petr Hurtík, Petra Hoďáková Národní superpočítačové centrum IT4Innovations Divize Ostravské univerzity Ústav pro výzkum a aplikaci fuzzy modelování Ostrava, Česká republika
VíceÚvod do mobilní robotiky AIL028
md at robotika.cz http://robotika.cz/guide/umor07/cs 20. prosince 2007 1 2 3D model světa ProMIS Cvičení hledání domečku Model štěrbinové kamery Idealizovaný jednoduchý model kamery Paprsek světla vychází
VíceANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ
ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM
VíceStatistické modely tvaru a vzhledu
Kapitola 1 Statistické modely tvaru a vzhledu V této kapitole nastíním problematiku statistických modelů tvaru, jejich využití a metod potřebných pro jejich výpočet a použití. Existují dvě hlavní metody;
VíceSRE 03 - Statistické rozpoznávání
SRE 03 - Statistické rozpoznávání vzorů II Lukáš Burget ÚPGM FIT VUT Brno, burget@fit.vutbr.cz FIT VUT Brno SRE 03 - Statistické rozpoznávání vzorů II Lukáš Burget, ÚPGM FIT VUT Brno, 2006/07 1/29 Opakování
VíceReprezentace geometrických objektů pro 3D fotografii
Úvod Reprezentace geometrických objektů pro 3D fotografii Diplomová práce České vysoké učení technické v Praze, Fakulta elektrotechnická Vedoucí diplomové práce: Daniel Martinec, martid1@cmp.felk.cvut.cz
VíceVyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 21.
Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 21. září 2018 Jiří Dvorský (VŠB TUO) Vyhledávání 242 / 433 Osnova přednášky
VíceZáklady vytěžování dat
Základy vytěžování dat předmět A7Bb36vyd Vytěžování dat Filip Železný, Miroslav Čepek, Radomír Černoch, Jan Hrdlička katedra kybernetiky a katedra počítačů ČVUT v Praze, FEL Evropský sociální fond Praha
VíceZpracování obrazu a fotonika 2006
Základy zpracování obrazu Zpracování obrazu a fotonika 2006 Reprezentace obrazu Barevný obrázek Na laně rozměry: 1329 x 2000 obrazových bodů 3 barevné RGB kanály 8 bitů na barevný kanál FUJI Superia 400
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VícePočítače a grafika. Ing. Radek Poliščuk, Ph.D. Přednáška č.7. z předmětu
Ústav automatizace a informatiky Fakulta strojního inženýrství Vysoké učení technické v Brně Přednáška č.7. z předmětu Počítače a grafika Ing. Radek Poliščuk, Ph.D. 1/14 Obsahy přednášek Přednáška 7 Zpracování
Více