El kernel de convolución siguiente se utiliza para derivar una imagen en el eje x. ? Como es conocido este kernel? -1 0 1 -1 0 1 -1 0 1
Filtro de Sobel.
No contestar.
Filtro de Prewit.
Filtro de Roberts,
Una ventaja de usar Sobel respecto a Prewitt para calcular el gradiente es:
Es más robusto respecto al ruido.
No ofrece ninguna ventaja significativa.
Permite estimar mejor la magnitud del gradiente.
Permite estimar mejor la dirección del gradiente.
El proceso por el cual se determina, en cada punto de la imagen , si este pertenece o no a algún tipo característica (área, borde, punto característico,..) es denominado:
Umbralización.
Segmentación
Descripción
Representación
No contestar
Qué característica de la imagen estrategias para estudiar donde se producen cambios locales significativos de los valores de la imagen:
El histograma
El gradiente
Promedios
El kernel de convolución siguiente se utiliza para derivar una imagen en el eje x ¿Como es conocido este kernel? -1 0 1 -2 0 2 -1 0 1
Filtro de Sobel
Filtro de Roberts
Filtro de Prewit
El color o nivel de gris, es considerada como una característica de …
de nivel medio
bajo nivel
de alto nivel
La siguiente imagen representa el entorno 3x3 de un pixel de gris. Teniendo en cuenta que el bit más significativo del LBP será el pixel superior izquierdo del entorno, ¿cuál será el patrón binario local LBP asociado a pixel?
En hexadecimal 0x30
En hexadecimal 0xCF
En hexadecimal 0x20
En hexadecimal 0xDF
La características LBP se utiliza principalmente para describir…
Texture Visual
Transiciones entre regiones
Movimiento aparente en la escena
El filtro de Gabor se utiliza en general para
Para extraer características para el análisis de la textura visual
Para obtener una versión paso alta de la imagen
Para obtener una versión paso baja de la imagen
El bit más significativo es el vecino superior izquierdo.
Ningún valor es correcto
D1 (hex)
8B (hex)
no contestar
0B (hex)
Queremos describir el movimiento aparente en la escena ¿cuál de las siguientes características utilizarías?
El gradiente de iluminación
El flujo óptico
Los promedios de iluminación
Un paso del método de segmentación de Cany:
Un proceso conocido como “histéresis” que consiste en seleccionar un umbral automático para la distribución del laplaciano.
Eliminar los valores de gradiente no máximos en la dirección del mismo
Buscar los cruces por cero de la segunda derivada
Calcular la entropía del histograma
Un paso del método de Cany es:
Buscar los cruces por cero de la segunda derivada.
Eliminar los valores de gradiente máximo en la dirección del mismo.
Un proceso conocido como “histéresis”
El detector de Harris es un algoritmo diseñado para detectar en la imagen que tipo de primitiva:
Bordes
Puntos característicos
Regiones uniformes
Un paso del método de segmentación de Marr-Hidreth es:
El método de segmentación de Marr-Hildreth es:
Un método de segmentación de regiones por umbralización global dependiente del entorno
Un método de segmentación de borders basado en la segunda derivada
Un método de segmentación de regiones por umbralización local
Un método de segmentación de borders basado en la primera derivada
El método de segmentación propuesto por Otsu es un ejemplo de umbralización, ¿pero de qué tipo?
Umbralización global puntual.
Umbralización local.
Umbralización global dependiente del entorno.
El método de segmentación de Cany es:
Un método de segmentación de regiones por umbralización global dependiente del entorno.
Un método de segmentación de borders basado en la segunda derivada.
Un método de segmentación de borders basado en la primera derivada.
Un método de segmentación de regiones por umbralización local.
En relación a los algoritmos “detector de Harris” y “SIFT”, cuál de las siguientes afirmaciones es correcta:
El detector SIFT es computacionalmente más simple que el detector de Harris.
Ninguna de las anteriores es correcta.
El detector SIFT utiliza las derivadas parciales en cada eje de la imagen.
El detector de Harris permite detectar puntos característicos en diferentes escalas.
Para obtener el gradiente de la imagen utilizamos…
Dos convoluciones para estimar la primera derivada de los ejes x e y.
Una convolución con la segunda derivada de la gausiana.
Dos convoluciones para obtener la primera y la segunda derivada.
SIFT es un algoritmo desarrollado para detectar en la imagen qué tipo de primitiva:
Puntos característicos.
Regiones uniformes.
Bordes.
El método de umbralización de Otsu, ¿qué criterio optimiza?
Hacer máxima la varianza entre-clases.
Hacer mínima la varianza intra-clase.
Hacer máxima la entropía (en el sentido de la teoría de la información).
Selecciona la tarea de visión por computador donde el objeto de interés es definido con mayor detalle:
Localización.
Categorización.
Segmentacion
Clasificación.
En relación a la categorización de objetos en la imagen, el término variabilidad “ inter- clase” se refiere a…
La diferencia visual entre muestras de diferentes categorías.
La diferencia en escala de objetos dentro de una misma imagen.
La diferencia visual entre las muestras de la misma categoría.
Las diferencias de color entre los distintos objetos de la imagen.
Sobre los métodos de categorización de objetos ¿cuál de las siguientes afirmaciones es correcta?
En los modelos basados en partes, la distribución espacial de las partes no es importante.
HMAX descriptor tiene en cuenta la localización espacial de patrones visuales en la imagen original utilizando una rejilla.
Una ventaja de los modelos basados en partes es su alta eficiencia computacional cuando en tiempo de Test.
HMAX es un descriptor que no tiene en cuenta las posiciones espaciales de los patrones visuales en la imagen original.
En la tarea de categorización de objetos, uno de los múltiples “retos” que la hace complicada es conocido como “cluttering”, este término hace referencia a :
Que el objeto de interés puede estar confundido con el fondo.
Que el objeto de interés está deformado.
Que el objeto de interés puede estar parcialmente ocluido por otro objeto.
Que el objeto de interés muestra otro punto de vista diferente con el que se entrenó el sistema.
En relación al algoritmo “K Vecinos más cercanos “, se puede decir que ..
Clasificar una muestra a la clase más votada entre los K vecinos más cercanos.
Clasificar una muestra a la clase que tenga al menos K vecinos más cercanos.
Realizada una partición del conjunto de muestras en K particiones.
En relación a la categorización de imágenes usando BoVW, el descriptor SIFT que se obtiene de un parche visual detectado consiste en:
La concatenación de 16 histogramas de la orientación del gradiente en una rejilla 4x4 sobre la región del parche visual.
Un histograma de frecuencias normalizado de las palabras visuales.
Un histograma de la orientación del gradiente sobre la región del parche visual.
En relación a la categorización de imágenes usando BoVW, el descriptor de los contenidos visuales de una imagen consiste en:
Un histograma de la orientación del gradiente sobre toda la imagen
La concatenación de 16 histogramas de la orientación del gradiente en una rejilla 4x4 sobre toda la imagen.
En relación a la categorización de imágenes usando BoVW, cúal de las siguientes afirmaciones es correcta:
La localización espacial y en escala de los parches visuales no es determinante.
La localización espacial y en escala de los parches visuales es muy determinante.
En relación al algoritmo K-Medias, se puede decir que…
Este algoritmo no es determinista, es decir, si se realiza varias ejecuciones del algoritmo, se pueden obtener distintos resultados.
Este algoritmo es determinista, es decir, si se realiza varias ejecuciones del algoritmo, se Obtendría el mismo resultado.
En relación a la categorización de imágenes usando BoVW, a la hora de comparar dos descriptores de imágenes, ¿cuál de las siguientes medidas de distancia es más apropiada?
Chi-square.
Distancia euclídea.
Suma de diferencias en valor absoluto.
En relación a la categorización de imágenes usando BoVW, para la construcción del diccionario de palabras visuales ¿qué algoritmo de los siguientes utilizarías?
K-Medias.
Una máquina de soporte vectorial (SVM).
Los K vecinos más cercanos, con k>=1.
El vecino más cercano.
En relación a la categorización de imágenes usando BoVW, si utilizamos el descriptor C-SIFT implica que…
Que vamos a describir el color a partir del espacio de color “Opponent”.
Que vamos a describir el color a partir del espacio de color HSV
Que vamos a describir el color a partir del espacio de color RGB.
Que vamos a introducir la descripción del Contraste
En relación a la categorización de imágenes usando BoVW, que quiere decir utilizar SIFT denso:
Que los descriptores se obtienen a partir de una rejilla prefijada de localizaciones en diferentes escalas.
Que aumentamos el número de escalas a evaluar.
Que aumentamos el número de direcciones de gradiente al construir el descriptor.
En relación a la categorización de imágenes usando BoVW, el descriptor PHOW hace referencia a …
Utilizar pirámides espaciales y SIFT denso para construir el descriptor de la imagen.
Utilizar el espacio de color “Opponent” para describir los parches visuales.
Utilizar pirámides espaciales y SIFT disperso para construir el descriptor de la imagen.
En relación a la categorización de imágenes usando BoVW, otras formas distintas de codificar el descriptor de la imagen son VLAD y FV. ¿Cuál de las siguientes afirmaciones es cierta?
FV genera el doble de características que VLAD a igual número de palabras visuales.
Para utilizar VLAD primero hay que ajustar un mixtura de gaussianas a las muestras.
FV utiliza una asignación por el vecino más cercano para obtener la palabra visual dada una muestra.
Ninguna de las otras es correcta.
VLAD genera el doble de características que FV a igual número de palabras visuales.
En relación a la categorización de imágenes usando BoVW, se puede utilizar pirámides espaciales para..
Especializar el descriptor BoVW en distintas escalas de la imagen.
Especializar el descriptor BoVW en distintas áreas de la imagen.
En relación a la categorización de imágenes usando BoVW, en relación a la descripción de los parches visuales, cuál de las siguientes sentencias es correcta.
Solo podemos utilizar el descriptor SIFT en alguna de sus variantes
Ninguna de las anteriores es correcta
Podemos utilizar el descriptor SURF en vez de SIFT y obtenemos una representación mas precisa
Podemos utilizar el descriptor SURF en vez de SIFT y obtenemos mas velocidad de proceso
En relación al Aprendizaje Automático, el algoritmo “K-means” es un ejemplo de …
Algoritmo no supervisado
Algoritmo supervisado
Algoritmo semi supervisado
En relación al aprendizaje automático, un algoritmo que trabaja con imágenes sin etiquetas es un:
Algoritmo semi-supervisado
En relación al aprendizaje automático, el SVM es un algoritmo que permite:
Clasificación de sólo dos clases de manera lineal o no lineal
Clasificación de dos o más clases de manera lineal o no lineal
Clasificación de dos o más clases de manera lineal
Clasificación de sólo dos clases de manera lineal
En relación al Aprendizaje Automático “SVM” es un ejemplo de ...
Clasificador que permite separar dos clases manera lineal o no lineal
Ninguna de las otras correcta
Clasificador que permite separar dos o más clases solo manera lineal.
Clasificador que permite separar dos o más manera lineal o no lineal
Clasificador que permite separar dos clases solo manera lineal
En relación al aprendizaje automático, en una tabla de confusión, las filas representan:
Las etiquetas asociadas a las muestras de entrenamiento.
Las etiquetas predichas por el clasificador.
La frecuencia de aciertos en la clase asociada a esa columna.
En una matriz de confusión, las columnas hacen referencia a:
Las etiquetas predichas por por el clasificador.
La frecuencia de aciertos en la clase asociada a esa columna
En relación al clasificador SVM, podemos utilizar la técnica conocida como ECOC para trabajar en configuración multiclase. Si tras el entrenamiento de cinco clasificadores f x obtenemos la siguiente matriz de patrones binarios, ¿cuál será la clase asignada a una muestra nueva que genera el patrón binario “11010”?
Clase 2
Clase 1
Clase 3
No coincide con ninguna clase.
En relación al aprendizaje automático, el término “Boosting” hace referencia a:
Crear un clasificador “Fuerte” combinando las respuestas de varios clasificadores “Débiles”.
Es la manera de hacer que el clasificador SVM pueda trabajar con clases que incluyan muestras raras (“outliers”).
Crear un árbol de decisión utilizando un subconjunto aleatorio de las muestras de entrenamiento.
Es la manera de hacer que el clasificador SVM pueda trabajar con clases que no son linealmente separables.
El detector de caras de Viola&Jones, es un ejemplo de qué método de clasificación:
Boosting
SVM
Árboles Aleatorios (Random Forest).
Árbol de Decisión (“Decision Tree”).
En relación a la técnica de clasificación “Random Forest”, cual de las siguientes afirmaciones es INCORRECTA:
El conjunto de entrenamiento se divide en tantas partes como el número de árboles requerido, y a cada árbol se le asigna aleatoriamente una de estas partes para ser entrenado.
En cada nodo de un árbol, se selecciona “N” características de manera aleatoria para dividir el conjunto de muestras de entrenamiento.
Todas son correctas.
Dada una muestra, cada árbol votará por una clase, siendo la clase más votada, la clase finalmente asignada a la muestra.
La umbralización aplicada directamente al histograma de niveles de gris proporcionada por el sensor es un ejemplo de:
Segmentación orientada a regiones.
Segmentación orientada a bordes.
Una definición del proceso de segmentar una imagen dice: "Dada una imagen digital I, y P, un __________ lógico definido sobre un conjunto de píxeles, la versión segmentada de I consiste en una partición de la misma en un número de subconjuntos R1, R2, ..., Rn , tales que ..." ¿Qué palabra rellena el hueco?
predicado
No sepo.
Para hacer a los descriptores de Fourier invariantes a la rotación basta con:
Utilizar sólo el módulo de los descriptores.
No utilizar el descriptor u=0
Dividir el módulo de los descriptores por el mayor de los módulos.
Para hacer a los descriptores de Fourier invariantes a la escala basta con:
Para hacer a los descriptores de Fourier invariantes al desplazamiento basta con:
Dada la secuencia de puntos (x,y) que determina un contorno {(2,4), (3,4), (4,3), (4,2), (3,1), (2,1), (1,2), (1,3), (2,4)}, ¿cuál será el código de cadena correspondiente? Asume los códigos: 3 2 1 4 X 0 5 6 7
07654321
No contestar la pregunta.
43210765
45670123
01234567
Dada la secuencia de puntos (x,y) que determina un contorno {(2,4), (3,4), (4,3), (4,2), (3,1), (2,1), (1,2), (1,3)}, ¿cuál será el código de cadena correspondiente? (ojo el eje Y es visto como una imagen (hacia abajo el sentido positivo). Asume los códigos: 3 2 1 4 X 0 5 6 7
02234567
Para describir una "macro-textura" es recomendable utilizar:
El espectro de la transformada de fourier.
Ninguna de la otras opciones es recomendable para describir una macrotextura.
Histogramas del descriptor LBP-C.
Un matriz de coocurrencias promediada para los vector [1,0], [1,1], [0,1] y [-1,1].
Un paso del método de segmentación de Marr-Hildreth es:
Un proceso conocido como "histéresis".
Eliminar los valores de gradiente no máximos en la dirección del mismo.
Calcular la entropía del histograma.
Dado el código de cadena siguiente: 01234567 a partir del pixel {2,4} ¿cuál es la longitud medida en pixeles del contorno que define? Códigos de cadena. 321 4x0 567
9,7 pixeles
11,3 pixeles
8 pixeles
La compacidad es un descriptor de la forma expresa la relación entre: Notas: CC significa Componente conexa.
el área de la CC y el cuadrado de su perímetro.
el área de la CC y su perímetro.
el área de la envolvente convexa de la CC y el cuadrado de su perímetro.
el área de la envolvente convexa de la CC y su perímetro.
El método de segmentación propuesto por Ridler y otros es un ejemplo de umbralización, ¿pero de qué tipo?
Por favor, aguarde! Carregando...