Test fsiv

¿Qué es un color?. Una percepción humana. Una propiedad de los objetos.

¿Cuál es el momento M?. La suma de todas las intensidades de píxeles. 0.

Para comparar histogramas normalizados, la métrica de distancia preferida es... Chi-cuadrado. Hamming. Euclidiano. Mahalanobis.

Elija la instrucción correcta. No es necesario normalizar el descriptor final. El descriptor final es L2 normalizado. El descriptor final es L1 normalizado. El descriptor final es L0 normalizado.

El algoritmo más común para la marcha del descriptor de puntos clave se conoce como. Harris. Lucas-Kanade. Vecino más cercano. HOG.

Elija el orden correcto del algoritmo SIFT para la detección de puntos clave. Pirámide de escalas. Convolución del gaussiano. Diferente de Gaussian. Selección de máximos y mínimos en el espacio DOG.

Seleccione la instrucción verdadera sobre la categorización de objetos. El descriptor HMAX no tiene en cuenta la ubicación espacial de los parches en la imagen original. Los modelos basados en piezas son muy eficientes computacionalmente en el momento de la prueba. El descriptor HMAX tiene en cuenta la ubicación espacial de los parches en la imagen original mediante el uso de cuadrículas. En los modelos basados en piezas, la ubicación relativa de las piezas no es tan importante.

El término "variabilidad interclases" se refiere a... la diferencia visual entre muestras de diferentes categorías. la diferencia visual entre muestras de la misma categoría. la diferencia de color de los objetos de una imagen. la diferencia de escala de los objetos de una imagen.

El modelo BoVW se puede aplicar no solo con puntos clave SIFT sino también con otros como SURF. Verdadero. Falso.

Podemos decir que k-means es un algoritmo determinista, es decir, cada vez que lo ejecutamos para un k dado el resultado final no se produce. Verdadero. Falso.

Elija la instrucción falsa sobre PHOW. PHOW se puede utilizar no solo con descriptores SIFT sino también con otros como SURF. La representación de PHOW se puede mejorar mediante el uso de información de color en el espacio HSV. El primer paso en PHOW es calcular una pirámide de imágenes de diferente resolución. PHOW codifica cierta información espacial gracias a la cuadrícula.

Para un diccionario fijo de tamaño k, seleccione el método que proporciona un descriptor de imagen más grande (más dimensiones). VLAD. Fisher Vector. TAMIZ denso. BoVW.

La categoría de clasificadores donde solo se etiquetan algunas de las muestras de capacitación se conoce como: No supervisado. Semi supervisado. No es posible tal situación. Supervisado.

¿Cuál de los siguientes tipos de partición de conjunto de datos se utiliza para ajustar los hiperparámetros del clasiffier?. validación. entrenamiento. test. despligue.

Dada la siguiente matriz de confusión, ¿para qué categoría esperamos el mejor resultado? T significa etiquetas "verdaderas" y P significa etiquetas predichas. Categoria #1. Categoria #2. Categoria #3.

Como norma general, para poder localizar objetos en imágenes a diferentes escalas... entrenamos varios detectores, uno por posible escala discretizada. utilizamos cascada de clasificador. contorneamos la imagen de destino con diferentes núcleos gausianos, uno por escalas posibles. aplicamos un solo detector a diferente resolución de imagen.

¿Cuál de los siguientes clasificadores puede tratar problemas multiclase de una manera natural?. AdaBoost. Árboles de decisión. Ninguno. Máquinas vectoriales de soporte.

¿Cuál de los siguientes clasificadores no necesita entrenar ningún parámetro?. AdaBoost. SVM con kernel lineal. Árboles de decisión. 5-NN.

Seleccione la instrucción falsa sobre STIPs. El cálculo de STIPs sigue los mismos pasos que la detección de puntos clave SIFT. Los STIPs son equivalentes a los puntos de Harrys pero en un espacio 3D. Los STIP corresponden a fuertes cambios en el espacio y el tiempo. El cálculo de STIPs requiere la estimación de gradientes en tres direcciones ortogonales.

Cuando se utiliza el algoritmo kNN para la clasificación, la elección de k como número impar garantiza que no sea posible un sorteo en términos de asignación de clase vecina, mejorando la probabilidad de éxito de nuestro sistema. Verdadero. Falso.

Seleccione la tarea de visión artificial donde el objeto de interés está más fino (más detallado) definido: Localización. Segmentación. Categorización. Clasificación.

¿Qué es el gradiente?. Filtro bajo para definir las estructuras. Para tener una medida de la temperatura. Filtro alto para definir la forma.

Dada la proyección de un punto en una cámara, esta proyección en otra cámara: se puede determinar incluso si se desconoce la posición 3D del punto. puede ser determinado por la segunda cámara intrínseca. es inversamente proporcional a la distancia del epipolo. se encuentra a lo largo de una línea llamada línea epipolar.

Las coordenadas homogéneas es un método matemático para: obtener la distancia en espacios euclídeos. colectores compactos. medir distancias en espacios geodésicos como rotaciones. para representar operaciones lineales que se pueden compactar de antemano.

Los parámetros intrínsecos son: el lenth focal, el centro óptico y los coeficientes de distorsión. los componentes de rotación y traslación. Ninguna es correcta. el torno focal y el centro óptico.

La representación de Rodrigues: permite expresar rotaciones como un vector de 3 componentes. es una medida del error de calibración. determina la ubicación completa de la cámara en el espacio. es una matriz 4x4 que puede transformar un punto 3D entre sistemas de referencia.

Es un método de reconstrucción 3D: uso de dos proyectores y una cámara. usar solo dos cámaras. uso de una cámara y un proyector. uso de un proyector y un descriptor HOG.

Un conjunto de transformaciones como rotaciones 3D y traslaciones se pueden precalcular en una sola matriz 4x4. Verdadero. Falso.

El modelo pin-hole: representa la ubicación de la cámara en el sistema de referencia arbitrario. representan la cámara ideal sin distorsión. modela la rotación de rodrigues.

Los parámetros extrínsecos: nunca cambian. cambia cada vez que cambia la iluminación. representa la ubicación de la cámara con respecto a un sistema de referencia arbitrario. representa el intervalo de confianza de la cámara.

Los parámetros intrínsecos: cambia cada vez que la cámara se mueve. nunca cambia. cambia cada vez que la cámara toma una foto. cambia solo si reemplazamos la lente.

En la visión estéreo, las coincidencias se buscan en la imagen correcta mediante: uso de un descriptor HOG. uso de una representación epipolar de la imagen correcta. comparación de pequeños parches de ventana a lo largo de la línea epipolar. detección de puntos clave.

Para estimar la ubicación 3D de un punto: se requiere conocer sus proyecciones en al menos una imagen y los parámetros intrínsecos de la cámara. Se requiere conocer sus proyecciones en al menos tres imágenes y los parámetros extrínsecos de la cámara. Se requiere conocer sus proyecciones en al menos dos imágenes y los parámetros intrínsecos de la cámara. Es necesario conocer sus proyecciones en al menos dos imágenes y los parámetros intrínsecos y extrínsecos de la cámara.

La calibración de una cámara se procesa para: obtener la traducción de la cámara. Obtener la respuesta de la cámera a los cambios de iluminación. Obtener la rotación de la cámara. obtener los parámetros intrínsecos de la cámara.

La perspectiva N-Point es el problema de: Estimación del parámetro intrínseco de la cámara. calibrar la cámara. girar la cámara alrededor de su eje. encontrar la cámara extrínseca a partir de un conjunto de puntos 3D conocidos y sus proyecciones 2D.