Vision por computadores

La siguiente imagen se corresponde con. Un filtro de Gabor. Un filtro Gaussiano. Un filtro bilateral.

En una red convolucional, las capas de pooling se usan para. Mejorar el porcentaje de acierto. Hacer la red más profunda. Reducir la dimensionalidad.

¿Cuál es el resultado en el punto central de convolucionar la primera matriz (un filtro) con la segunda (una imagen)?. 5. 0. -5.

Un descriptor LBP. Es invariante a rotaciones. Es invariante a cambios de escala. No es invariante a rotaciones ni a cambios de escala.

Un descriptor ORB. Es una cadena de tamaño fijo que solo contiene ceros y unos. Es una cadena de tamaño variable que solo contiene ceros y unos. Es un vector de números reales.

Se puede implementar mediante una consolación. Un filtro de caja. Un filtro bilateral. Ambas.

¿Cuantos canales tiene una imagen pseudocoloreada?. 1. 3. 4.

.En un algoritmo Canny, tras aplicar NMS obtenemos los siguientes valores de gradiente alrededor de un pixel central: Si aplicamos hysteresis con umbrales inferior = 10 y superior = 20... El punto central se acepta como borde. El punto central se rechaza como borde. No podemos saber si el punto central es un borde.

Normalmente los problemas de ingeniería de visión. Tienen una dificultad menor que los problemas de visión en general porque el entorno está controlado (condiciones similares de iluminación, ángulo fijo de la cámara, etc). Tienen una dificultad mayor que un problema de vision en general porque intervienen máquinas. Tienen una dificultad similar a los problemas de visión en general porque no hay diferencias entre ambos.

Lo sistemas para reconocimiento de escenas que están basados en objetos. Funcionan mejor cuanto más objetos tenga la imagen. Generan histogramas de objetos que tienen longitud fija. Generan histogramas de objetos que tienen longitud variable.

Dada la siguiente matriz de transformación afín: Calcula el resultado de aplicar esta matriz de transformación en el punto x= 2, y = 3. x' =22,y' =9. x' =10,y' =5. x' =22,y' =21.

Para tareas de segmentación, suavizar la imagen mitiga los problemas provocados por. Luminosidad variable. Bajo contraste. Ruido.

En un Bag of Words, un punto de interese se codifica mediante. Un numero. Un vector. Una matriz.

Un algoritmo de crecimiento de regiones. Es similar a un algoritmo Watershed. Puede deducir automa ́ticamente el criterio de homogeneidad Q. Normalmente divide la imagen en zonas del mismo tamaño.

¿Qué características da mejores resultados para comparar contornos de objetos?. Momentos geométricos. Momentos de Hu. Curtosis.

El valor RGB(0,0,0) corresponde al color. blanco. gris. negro.

x es el valor de intensidad de un pixel en una imagen de tipo uchar. ¿Cómo se calcula su valor invertido?. x' = 1 - x. x' = 255/x. x' = 255 - x.

Dada una imagen con los siguientes valores de intensidad. Cual es la magnitud de su gradiente estándar en el punto central?. 2.41. 1.41. 3.16.

En un algoritmo Waterhsed. Los markers iniciales suelen colocarse en los píxeles correspondientes a los bordes. La correcta elección de los marres es fundamental para mejorar la calidad de la segmentación. Se necesita que la imagen a segmentar sea tridimensional.

Calcula el valor de contraste de una imagen que tiene todos sus píxeles con un valor de intensidad igual a 10. 0. 1. 10.

El algoritmo de flujo óptico de Lucas-Kanade. Asume que el desplazamiento de todos los píxeles de la ventana es similar. Es capaz de calcular desplazamientos mayores que el tamaño de la ventana. Solo puede calcular desplazamientos de objetos que contienen bordes.

En el conjunto de validación de un sistema de aprendizaje automático. No debe haber muestras que pertenezcan al conjunto de entrenamiento. Puede haber muestras que pertenezcan al conjunto de entrenamiento. Las muestras deben incluir clases que no este ́n en el conjunto de entrenamiento.

En SIFT se buscan píxeles con valor máximo o mínimo en varias escalas para conseguir. Invarianza a cambios de escala. Invarianza a rotación. Que el algoritmo sea robusto al ruido.

Las características locales. Son mas robustas a oclusión que las globales. Sirven para comparar imágenes más rápidamente que usando características globales. No son robustas a traslaciones.

Si tenemos una imagen como esta que presenta cambios de luminosidad ¿Cual de los siguientes algoritmos sería el más adecuado para hacer segmentación?. Metodo de Otsu. Umbralizacion adaptativa. Umbralizacion multiple.

¿Cuándo es más conveniente usar para un problema A los pesos de red entrenada para otro problema B?. cuando las imágenes del problema A no se parecen a las del problema B, pero ambos tienen el mismo numero de clases. cuando las imágenes del problema A se parecen a las del problema B, aunque las clases sean distintas. cuando las imágenes del problema A no se parecen a las del problema B, pero el numero de muestras de entrenamiento es similar en ambas.

La transformada de Douglas-Peucker se usa para. Aproximar un contorno usando menos puntos. Aproximar una recta que pase por varios puntos. Aproximar una elipse que pase por varios puntos.

El descriptor SURF. Fue el primer algoritmo que uso filtros de caja. Ocupa menos espacio en memoria que un descriptor SIFT. No es invariante a cambios de escala.

Dada una image con los siguientes niveles de intensidad. ?Cual sería el valor de la imagen integral en la posición (3,3)?. 1. 16. 15.

Los descriptores GIST. Necesitan usar filtros de Gabor. Ocupan poco tamaño en memoria. SOn binarios.

Cual de estos algoritmos sería más adecuado para hacer tracking de peatones en tiempo real. MedianFLow. CAMShift. SparseFlow.

En un detector de esquinas Harris, cuando los dos valores propios son similares y cercanos a 0. Se considera que el punto no es ni esquina ni borde. Se considera que el punto es esquina. Se considera que el punto es borde.

En el detector FAST se usa NMS para eliminar aquellos puntos de interés. Que están cerca de otro punto de interés. Que tienen un valor gradiente muy pequeño. Con el objetivo de usar un árbol de decisión.

Las redes de deep learning funcionan mejor que los sistemas de aprendizaje tradicionales porque. Internamente son capaces de extraer las caracterásticas más adecuadas para resolver la tarea. Tienen una capa oculta. Extraen la información de alto nivel en las primeras capas.

En un algoritmo Mean-Shift. Necesitamos indicar el número de clusters. El numero de clusters se calcula de forma automatica. Las posiciones iniciales de las ventanas son aleatorias.

Para detectar el saliency de una imagen, el algoritmo Spectral Residual. Calcula la frecuencia media de muchas imágenes. Devuelve como resultado la inversa de la Transformada de Fourier de la imagen. Se basa en detectar discontinuidades en la función logaritmo de la frecuencia.

En SIFT se aplica un suavizado Gausiano usando distintos niveles para. Detectar bordes de forma eficiente. Hacer que la detección sea invariante a escala. Reducir el ruido presente en la imagen.

Los histogramas polares del descriptor Shape Context. Se calculan usando todos los píxeles de la imagen. Se calculam en el dominio de la frecuencia. Dan mas importancia a los píxeles cercanos que a los lejanos.

En un algoritmo k-means. La selección de los puntos iniciales no influye en el resultado final. Los centros de los clusters no varían durante la ejecución del algoritmo. Necesitamos indicar el valor de k.

Cual de estas operaciones morfológicas es conmutativa. Erosión. Dilatación. Erosión y dilatación.

En el algoritmo de division y unión de regiones. Si el criterio de homogeneidad de una región se cumple, el algoritmo termina. Si el criterio de homogeneidad de una región se cumple, esta región se une con algunas regiones adyacentes. Si el criterio de homogeneidad de una región se cumple, esta región se une con todas las regiones adyacentes.

Un cierre convexo es. Un punto. Un numero. Un vector de puntos.

Indica cual de estas afirmaciones es correcta sobre tracking. Es adecuado usar Mean-Shift cuando el objeto a seguir cambia de tamaño. El método KCF está basado en redes neuronales convolucionales. El algoritmo Boosting necesita que indiquemos inicialmente dónde está el objeto a seguir.

Si queremos obtener solo las fichas blancas de la siguiente imagen (el tablero de damas usado en las prácticas), necesitaremos usar un elemento estructurante circular y aplicar una operación de: White TopHat. Apertura. Cierre.

Indica la respuesta correcta. YCrCb usa una mezcla de color aditiva. Una impresora puede imprimir usando el espacio de color RGB. RGB usa una mezcla de color sustractiva.

6. Indica la respuesta correcta sobre el cálculo de flujo óptico usando el método Lucas-Kanade. Tiene en cuenta las derivadas temporales en la ventana V. Tiene en cuenta píxeles que están fuera de la ventana V. No tiene en cuenta la intensidad de los píxeles dentro de la ventana V.

Indica la respuesta correcta. El número de frames por segundo (FPS) de un vídeo depende de su resolución espacial. La resolución espacial de una imagen depende de su número de canales. El número de canales de una imagen es independiente de su resolución radiometría.

Indica la respuesta correcta. Para calcular los momentos de Hu es necesario calcular primero el centroide. Los momentos de Hu se pueden calcular directamente sobre una fotografía sin procesar. Los momentos de Hu son invariantes a todas las transformaciones geométricas afines.

Indica la respuesta correcta sobre el algoritmo de detección de esquinas de Harris. Si λ− es bajo y λ+ es alto, el punto es un borde. Si λ− es bajo y λ+ es alto, el punto es una esquina. Si λ− es bajo y λ+ es alto, el punto no es una esquina.

Indica la afirmación correcta sobre el metodo kNN. En la fase de reconocimiento, kNN es mas ineficiente (lento) que la mayoría de métodos de aprendizaje automático. En la fase de entrenamiento, kNN construye un modelo. kNN es un método de clustering.

Responde la opción correcta sobre matching entre dos imágenes A y B usando descriptores SIFT: La distancia que se obtiene de recorrer todos los puntos de A y compararlos con los puntos de B es la misma que a la inversa (recorrer todos los de B y compararlos con los de A). Podemos comparar los puntos de A con los de B usando una distancia XOR. Si A es la misma imagen que B, la distancia Euclídea entre ambas será 0.

Indica la respuesta correcta sobre HOG. La normalización l2 equivale a la distancia Euclídea. El histograma de una región que solo tiene píxeles de color negro puede tener algún valor distinto de cero. Un histograma de gradientes HOG para una región de 8x8 píxeles es siempre un vector de tamaño 9.

Los sistemas de deep learning obtienen buenos resultados porque las redes neuronales aprenden a. Razonar de la misma forma que un ser humano. Reducir la dimensionalidad de la entrada. Realizar múltiples transformaciones sobre los datos de entrada para simplificar la clasificación en las ultimas capa.

Indica las respuesta correcta sobre características de contorno. Los códigos de Freeman no son invariantes a rotaciones. La elongación es una característica adecuada para presenta contornos irregulares. Las características Shape Context se calculan sobre todos los puntos del contorno.

Indica la respuesta correcta sobre transformaciones geométricas: La última fila de una transformación afín es siempre [0 0 1]. La última columna de una transformación afín es siempre [0 0 1]. La última fila de una transformación proyectiva es siempre [0 0 1].

Indica la respuesta correcta sobre la ecualización del histograma: La ecualización del histograma siempre aumenta el brillo de la imagen. Cuando hay al menos dos valores distintos de intensidad, la ecualización de un histograma siempre devuelve un valor mínimo igual a 𝑐𝑚𝑖𝑛 y un valor máximo igual a 𝑐𝑚𝑎𝑥. En la función CDF, un valor 𝑐(𝑛) puede ser menor que el valor 𝑐(𝑛 − 1).

¿Qué método de umbralización es más apropiado para imágenes con iluminación no uniforme?. Umbralización global. Umbralización adaptativa. Método de Otsu.

Podemos comparar dos descriptores Bag of Words. Haciendo matching de puntos de interés. Usando técnicas de reducción de dimensionalidad. De la misma forma que podemos comparar dos histogramas.

Indica la respuesta correcta. Cuanto mayor varianza tiene una imagen, mayor brillo. Cuanto mayor varianza tiene una imagen, mayor contraste. Cuanto mayor media tiene una imagen, menor brillo.

Usando kNN sobre muestras de entrenamiento que no están etiquetadas podemos... Obtener la clase de una imagen. Buscar las imágenes más similares. Buscar las imágenes más similares y también obtener su clase.

Tenemos una imagen binaria de un objeto y queremoss obtener su silueta (contorno). Para esto podemos usar una operación de. Apertura. White TopHat. Gradiente externo.

Indica la opción correcta. El filtro Prewitt obtiene imágenes más brillantes que el filtro de Sobel. Los filtros gaussianos resaltan los bordes y esquinas. Se puede calcular el gradiente de una imagen sin usar convoluciones.

En el descriptor SURF, para cada región se ponderan los gradientes con una Gaussiana para. Suavizar la imagen. Dar más importancia a los píxeles que están en el centro de la región. Reducir el tamaño del descriptor.

Indica la respuesta correcta sobre el reconocimiento de escenas: Los sistemas basados en objetos son más rápidos que los basados en escena. Reconocer escenas en color es más fácil que usando imágenes en escala de grises. Todos los sistemas de reconocimiento de escenas usan la transformada de Fourier para extraer descriptores.

El metodo Spectral Residual. Aplica la transformada inversa de Fourier para obtener las zonas de la imagen donde puede haber objetos. Usa la fase de transformada de Fourier para calcular el espectro residual. Aplica un filtro de mediana para detectar irregularidades en el logaritmo.

Indica la respuesta correcta sobre convocaciones. Una convolución de matrices es igual a una multiplicación de matrices. Una convolución de matrices equivale a realizar la transformada de Fourier de las dos matrices y multiplicar su resultado. Es conveniente que el kernel de una convolución tenga un número impar de filas y columnas para que el ancla esté en el centro.

Indica la afirmación correcta sobre aprendizaje automático. Se puede usar muestras de entrenamiento en el conjunto de validación. Si no tenemos muestras etiquetadas se puede entrenar un sistema de aprendizaje supervisado. Si tenemos muestras etiquetadas se puede entrenar un sistema de aprendizaje no supervisado.

Indica la respuesta correcta sobre descriptores neuronales. Los descriptores neuronales son descriptores locales. Los descriptores neuronales pueden usarse para reconocer clases diferentes de las que se han usado inicialmente para entrenar la red neuronal original. Los descriptores neuronales son en realidad lo mismo que las clases de un sistema de clasificación supervisado.

En el contexto de segmentación de imágenes, ¿cuál es la ventaja principal de usar Mean-shift sobre k-means?. Mean-shift permite detectar un número variable de clústers. Mean-shift es un algoritmo de aprendizaje automático supervisado. Mean-shift no necesita que indiquemos el tamaño inicial de las ventanas.

El algoritmo de Douglas-Peucker... Sirve para calcular los puntos más cercanos de un contorno. Obtiene un nuevo contorno que siempre tiene un área menor que el contorno original. Permite reducir el número de puntos de un contorno.

Consideremos una región como un grupo de píxeles conectados espacialmente en la imagen. Usando k-means sobre los valores de intensidad de la imagen: Obtendremos exactamente k regiones. Podemos obtener más de k regiones. Podemos obtener menos de k regiones.

Indica la afirmación correcta sobre Watershed. Es conveniente que las fuentes iniciales se coloquen en los bordes. Las presas son los gradientes de intensidad mínima. Obtiene mejores resultados cuando hay pocos bordes en la imagen.

Indica la respuesta correcta sobre la transformada de Hough para aproximar rectas: La transformada de Hough tiene en cuenta los valores de intensidad de los puntos. La transformada de Hough no puede calcularse directamente sobre la imagen sin procesar, es decir, usando todos los píxeles. El ángulo de la recta se calcula como la media de las distancias al origen obtenidas en el histograma de ángulos.

El subsampling (también llamado pooling). Tiene pesos que se aprenden durante la fase de entrenamiento. Devuelve una imagen de salida con menor resolución espacial que la imagen de entrada. Es equivalente a una función de activación.

El descriptor LBP de una imagen. Es binario. Tiene un tamaño variable que depende del tamaño de la imagen. Tiene un tamaño fijo independientemente del tamaño de la imagen.

Indica la respuesta correcta. Podemos calcular los momentos centrales de segundo orden sin necesidad de calcular el centroide. El momento 𝑚00 es igual al brillo de la imagen. El momento μ00 es igual al momento 𝑚00.

Indica la opción correcta sobre descriptores binarios: Si un descriptor binario no incluye compensación de la orientación, entonces no será invariante a rotaciones. Los descriptores binarios son invariantes al escalado. Para comparar descriptores binarios es conveniente usar la distancia Euclídea.

Indica la opción correcta sobre filtros de caja. En la imagen integral, el valor ii(u, v) siempre será igual o mayor que el valor ii(u-1, v-1). Los filtros de caja calculan exactamente el mismo resultado que las derivadas de segundo orden. SURF fue el primer método que utilizó filtros de caja.

Calcula el valor de gradiente horizontal (𝐺𝑢) del filtro Prewitt en la posición central de la siguiente imagen: 3.162. 11. 12.

¿Cuál de los siguientes métodos puede usar directamente imágenes como entrada?. Las redes neuronales convolucionales. Las redes neuronales tradicionales. Los métodos basados en Bag of Words.