fsiv bloque 3

Una ventaja de usar Sobel respecto a Prewit para calcular el gradiente es: Permite estimar mejor la dirección del gradiente. Es más robusto respecto al ruido. Permite estimar mejor la magnitud del gradiente. No ofrece ninguna ventaja.

El siguiente kernel de convolución se usa para derivar una imagen en el eje x: Sobel. Prewit. Roberts.

El proceso por el cual se determina, en cada punto de la imagen, si pertenece o no a algún tipo de característica es denominado: Segmentación. Umbralización. Descripción. Representación.

¿Qué característica sirve para estudiar donde se producen cambios locales significativos?. El histograma. Promedios. El gradiente.

El kernel de convolución siguiente se usa para derivar una imagen en el eje x. ¿Cómo es conocido? -1 0 1, -2 0 2, -1 0 1. Sobel. Prewit. Roberts.

El color o nivel de gis, es considerado una característica de: Nivel medio. Bajo nivel. 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, ¿Cuál será el patrón binario local LBP asociado al pixel?. 0x30. 0x20. 0xDF.

LBP se usa para describir…. Movimiento aparente. Transiciones entre regiones. Textura visual.

El filtro de Gabor se usa para…. extraer características para el análisis de la textura visual. obtener una verisón paso baja de la imagen. obtener una verisón paso alta de la imagen.

¿Cuál será el valor del descriptor LBP para {6 5 2}, {7 6 1}, {9 3 7}?. 8B. 1A. 0B.

Queremos describir el movimiento aparente en la escena ¿Qué característica usarías?. El gradiente de iluminación. El flujo óptico. Los promedios de iluminación.

Un paso del método de segmentación de Cany es…. Eliminar los valores de gradiente no máximos en la dirección del mismo. Un proceso conocido como histéresis que consiste en seleccionar un umbral automático para la distribución del laplaciano. Buscar los cruces por cero de la segunda derivada. Calcular la entropia del histograma.

Un paso del método de Cany 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 entropia del histograma.

El detector de harris es un algoritmo diseñado para detectar en la imagen una primitiva... bordes. de puntos característicos. regiones uniformes.

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

El método de segmentación de Marr-Hidreth es: Un método de segmentación de regiones por umbralizacion local. Un método de segmentación de regiones por umbralizacion global dependiente del entorno. Un método de segmentación de bordes basado en la segunda derivada. Un método de segmentación de bordes basado en la primera derivada.

El método de segmentación propuesto por Otsu es un ejemplo de umbralización de tipo…. Umbralización local. Umbralización global puntual. Umbralización global dependiente del entorno.

El método de segmentación de Cany es: Un método de segmentación de bordes basado en la primera derivada. Un método de segmentación de bordes basado en la segunda derivada. Un método de segmentación de regiones por umbralizacion global dependiente del entorno. Un método de segmentación de regiones por umbralizacion local.

Respecto a los algoritmos “detector de harris” y “SIFT”: Ninguna. Ninguna. SIFT es computacionalmente más simple. SIFT usa las derivadas parciales en cada eje. Harris permite detectar puntos característicos en diferentes escalas.

Para obtener el gradiente de la imagen usamos…. dos convoluciones para estimar la primera derivada de los ejes x e y. dos convoluciones para obtener la primera y la segunda derivada. una convolución con la segunda derivada de la gaussiana.

SIFT está diseñado para detectar…. Bordes. Puntos caracteisticos. Regiones uniformes.

Algoritmo más común para la coincidencia de descriptores de puntos clave: El vecino más cercano. Lucas-Kanade. Harris. HOG.

El método de Otsu optimiza... hacer máxima la varianza inter-clases. hacer máxima la varianza intra-clases. hacer máxima la entropia.

Selecciona la tarea de visión donde el objeto de interés se define con mayor detalle: segmentación. categorización. localización. clasificación.

El termino variabilidad inter-clase se refiere a…. La diferencia visual entre muestras de la misma categoría. La diferencia en escala de objetos de una misma imagen. La diferencia visual entre muestras de diferentes categorías. la diferencia de color entre los distintos objetos de la imagen.

El termino variabilidad intra-clase se refiere a…. La diferencia visual entre muestras de la misma categoría. La diferencia en escala de objetos de una misma imagen. La diferencia visual entre muestras de diferentes categorías. la diferencia de color entre los distintos objetos de la imagen.

Sobre los métodos de categorización de objetos, ¿Cuál es correcta?. HMAX es un descriptor que no tiene en cuenta las posiciones espaciales de los patrones visuales en la imagen original. HMAX es un descriptor que tiene en cuenta la localizacion espaciale de los patrones visuales usando una rejilla. en los modelos basados en partes la distribución espacial de las partes no es importante.

En la tarea de categorización de objetos, uno de los retos que la hace complicada es el cluttering, que hace referencia a: que el objeto de interés puede estar confundido con el fondo. que el objeto de interés esta deformado. que el objeto de interés puede estar parcialmente ocluido por otro objeto.

Seleccione la tarea de visión por computador en la que el objeto de interés esté definido con mayor precisión: segmentación. loacalización. categorización. clasificación.

Respecto 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 particion del conjunto de muestras en k particiones.

Respecto 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.

Respecto a la categorización de imágenes usando BoVW, el descriptor de los contenidos visuales de una imagen consiste en: Un histograma de frecuencias normalizado de las palabras visuales. La concatenación de 16 histogramas de la orientación del gradiente en una rejilla 4x4 sobre la región del parche visual. Un histograma de la orientación del gradiente sobre la región del parche visual.

Respecto a la categorización de imágenes usando BoVW, cual 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 determinante.

Respecto al algoritmo K-means, se puede decir que: No es determinista, si se realizan varias ejecuciones se obtienen distintos resultados. Es determinista, si se realizan varias ejecuciones se obtiene el mismo resultado.

Respecto a la categorización de imágenes usando BoVW, a la hora de comparar los descriptores de imágenes, cual es más apropiada: chi cuadrado. distancia euclidea. suma de diferencias en valor absoluto.

Respecto a la categorización de imágenes usando BoVW, para la construcción del diccionario de palabras visuales cual utilizarías: k-means. El vecino más cercano. los k vecinos más cercanos con k>=1. Una máquina de soporte vectorial.

Para comparar histogramas normalizados: chi cuadrado. distancia euclidea. suma de diferencias en valor absoluto.

Respecto a la categorización de imágenes usando BoVW, si usamos el descriptor C-SIFT implica que…. vamos a describir el color a partir del espacio de color Opponent. vamos a describir el color a partir del espacio de color HSV. vamos a describir el color a partir del espacio de color RGB. vamos a introducir la descripción del contraste.

Respecto a la categorización de imágenes usando BoVW, que quiere decir usar SIFT denso: que los descriptores se obtienen a partir de una rejilla prefijada de localizaciones en diferentes escalas. que aumentamos el numero de escalas a evaluar. que aumentamos el numero de direcciones de gradiente al construir el descriptor. ninguna de las anteriores.

Respecto a la categorización de imágenes usando BoVW, el descriptor PHOW hace referencia a…. usar pirámides especiales y SIFT denso para construir el descriptor de la imagen. usar pirámides especiales y SIFT disperso para construir el descriptor de la imagen. usar el espacio de color opponent para describir los parches visuales.

Respecto a la categorización de imágenes usando BoVW, otras formas distintas de codificar el descriptor de la imagen son VLAD y FV. FV genera el doble de características que VLAD a igual número de palabras visuales. FV usa una asignación por el vecino más cercano para obtener la palabra visual dada una muestra. VLAD genera el doble de características que FV a igual número de palabras visuales.

Respecto a la categorización de imágenes usando BoVW, se pueden usar pirámides especiales para…. especializar el descriptor BoVW en distintas áreas de la imagen. especializar el descriptor BoVW en distintas escalas de la imagen. ninguna.

Respecto a la categorización de imágenes usando BoVW y la descripción de los parches visuales, cual es cierta: podemos usar SURF en vez de SIFT y obtener más velocidad de proceso. podemos usar SURF en vez de SIFT y obtener una representacion más precisa. solo podemos usar SIFT en alguna de sus variantes. ninguna.

Cual es falsa sobre PHOW: PHOW codifica cierta información espacial gracias a la rejilla. El primer paso es calcular una piramide de imagenes de diferentes resoluciones. ninguna.

Respecto aprendizaje automático, el algoritmo k-means es un ejemplo de…. algoritmo no supervisado. algoritmo supervisado. algoritmo semi-supervisado.

Respecto al aprendizaje automatico, un algoritmo que trabaja con imágenes sin etiquetas es un…. algoritmo no supervisado. algoritmo supervisado. algoritmo semi-supervisado.

Respecto aprendizaje automático, el SVM es un algoritmo que permite…. una clasificación de solo dos clases de manera lineal o no lineal. una clasificación de dos o más clases de manera lineal. una clasificación de solo dos clases de manera lineal. una clasificación de dos o más clases de manera lineal o no lineal.

Respecto 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 el clasificador. las etiquetas asociadas a las muestras de entrenamiento. la frecuencia de aciertos en la clase asociada a esa columna.

La categoría de clasificadores en la que solo se etiquetaron algunas de las muestras de entrenamiento se conoce como: semi-supervisado. no supervisado. supervisado.

¿Cuál de los siguientes tipos de partición de conjuntos de datos se usa para ajustar los hiperparámetros del clasificador?. validation. training. test. deployment.

Respecto clasificador SVM, podemos usar la técnica conocida como ECOC para trabajar en configuración multiclase. Si tras el entrenamiento de 5 clasificadores f, obtenemos la siguiente matriz de patrones binarios, ¿cual es la clase asignada a una muestra nueva que genera el patrón binario 11010?. clase 2. clase 3. clase 1.

Respecto aprendizaje automático, el término boosting hace referencia a: Crear un clasificador fuerte combinando las respuestas de varios débiles. es la manera de hacer que el clasificador SVM pueda trabajar con clases que incluyan muestras raras. 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. árbol de decisión.

Respecto a ramdom forest, cual es falsa: el conjunto de entrenamiento se divide en tantas partes como árboles requeridos, y a cada árbol se le asigna aleatoriamente una de estas partes para ser entrenado. en cada nodo del árbol se seleccionan "n" características de manera aleatoria para dividir el conjunto de muestras de entretenimiento. dada una muestra, cada árbol votará por una clase, siendo la más votada la que se asigne a la muestra. todas son correctas.

Como regla general, para localizar objetos en imágenes a diferentes escalas…. aplicamos un detector simple en diferentes resoluciones. usamos una cascada de clasificadores. ninguna.

STIP, ¿cuáles son sus descriptores?. HOG. HOF.