BuizelShiny

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”. Calcular la entropía del histograma.

El detector de Harris es un algoritmo diseñado para detectar en la imagen que tipo de primitiva: Bordes. regiones uniformes. Puntos característicos.

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.

Un paso del método de segmentación de Marr-Hidreth es: Eliminar los valores de gradiente no máximos en la dirección del mismo. Un proceso conocido como “histéresis. Buscar los cruces por cero de la segunda derivada. Calcular la entropía del histograma.

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 obtener la primera y la segunda derivada. Una convolución con la segunda derivada de la gausiana. Dos convoluciones para estimar la primera derivada de los ejes x e y.

SIFT es un algoritmo desarrollado para detectar en la imagen qué tipo de primitiva. Bordes. Puntos característicos. Regiones uniformes.

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…. Las diferencias de color entre los distintos objetos de la imagen. La diferencia visual entre las muestras de la misma categoría. La diferencia en escala de objetos dentro de una misma imagen. La diferencia visual entre muestras de diferentes categorías.

En relación a la categorización de objetos en la imagen, el término variabilidad “​intra-​clase” se refiere a…. Las diferencias de color entre los distintos objetos de la imagen. La diferencia visual entre las muestras de la misma categoría. La diferencia en escala de objetos dentro de una misma imagen. La diferencia visual entre muestras de diferentes categorías.

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 (SUPUESTAMENTE ESTA NO ES). Que el objeto de interés muestra otro punto de vista diferente con el que se entrenó el sistema. No se sabe yet.