Inhalt und Überblick. Visuelle Kognition WS 2001/2002 Adrian Schwaninger
|
|
- Georg Michael Sauer
- vor 5 Jahren
- Abrufe
Transkript
1 Visuelle Kognition WS 2001/2002 Adrian Schwaninger Nonaccidental Properties Argumente pro Nonaccidental Properties Einleitung Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle Diskussion Gesichterwahrnehmung Befunde aus den Neurowissenschaften Primäre visuelle Verarbeitung Höhere visuelle Verarbeitung Bottom-up und top-down Prozesse Selektive Aufmerksamkeit Aufmerksamkeit und Gehirn Imagery Integration und Zusammenfassung Visuelle Kognition WS 01/02 A. Schwaninger 4.1 (Aus Biederman, 1987) Visuelle Kognition WS 01/02 A. Schwaninger 4.2
2 Strukturelle Beschreibungen Argumente gegen RBC Strukturelle Beschreibungen Argumente gegen RBC Antwort: Weshalb nicht direkt Nonaccidental Properties mit Gedächtnisrepräsentation vergleichen? Reine bottom-up Verarbeitung von Nonaccidental Properties ist sehr verwechslungsanfällig.? Image Translationally Invariant Features Memory (Nach Biederman, 1987 und Edelman, 1999) Einwand gegen Edge Detection als ersten Schritt: At present, there is no reliable method for mapping a gray-level image into a collection of (labeled) primitives (lines, corners etc.) from which RBC s geons are constructed. (Edelman, 1999, p.31) (Aus Hummel & Biederman, 1992) Visuelle Kognition WS 01/02 A. Schwaninger 4.3 Reliablere Mechanismen zur Erstellung einer Linienrepräsentation und / oder top-down gesteuerte Ergänzungsmechanismen. (Kosslyn, 1994; Lowe, 1987; Ullman, 1989) Visuelle Kognition WS 01/02 A. Schwaninger 4.4
3 Strukturelle Beschreibungen Argumente gegen RBC Strukturelle Beschreibungen Argumente gegen RBC (Aus Edelman, 1999) Mehrere strukturelle Beschreibungen möglich Top-down Prozesse (Bienenstock et al., 1997; Lowe, 1987) (Aus Edelman, 1999) (Aus Edelman, 1999) Welche Geone bei realen Objekten???? Erkennung von Subkategorien Einbeziehung metrischer Relationen (z.b. Länge von Teilen Stankiewicz & Hummel, 1996) Visuelle Kognition WS 01/02 A. Schwaninger 4.5 Visuelle Kognition WS 01/02 A. Schwaninger 4.6
4 Überblick Ansichtenbasierte Ansätze Ausrichtung von 3D o. 2D Repräsentationen Lowe (1985, 1987) Huttenlocher & Ullman (1987, 1990) Olshausen et al. (1993) Ausrichtung von 3D Repräsentationen Die Grundidee von Lowe (1985, 1987) 3D Modell Linearkombination: Ullman & Basri (1991) Interpolation: Poggio & Edelman (1990) 2D Projektion Überblick zu Weiterentwicklungen Kosslyn (1994) Ullman (1996) Tarr & Bülthoff (1998) Edelman (1999) The precise problem we wish to solve is the following: given a set of known correspondences between three-dimensional points on a model and points in a two-dimensional image, what are the values of the unknown projection and model parameters that will result in the projection of the given model points into the corresponding image points (Lowe, 1987, p.361). (Nach Lowe, 1987) Visuelle Kognition WS 01/02 A. Schwaninger 4.7 Visuelle Kognition WS 01/02 A. Schwaninger 4.8
5 Ausrichtung von 3D Repräsentationen Ausrichtung von 3D Repräsentationen Initial guess for wievpoint with error measures Problem: Ein Vergleich der Inputrepräsentation mit ALLEN Gedächtnisrepräsentationen wäre sehr uneffizient. Vorauswahl EINER Gedächtnisrepräsentation durch bottomup basierte Detektion und Gruppierung von relativ invarianten Merkmalen (nonaccidental properties). Beobachtung: Das visuelle System gruppiert automatisch anhand solcher nonaccidental properties. Beispiele: Verbundenheit (connectivity), Kollinearität (collinearity) und Parallelität (parallelism). 1. Least-squares solution Image Data (Nach Lowe, 1987) (Nach Lowe, 1987) Visuelle Kognition WS 01/02 A. Schwaninger 4.9 Visuelle Kognition WS 01/02 A. Schwaninger 4.10
6 Nonaccidental Properties Lowe (1984, 1985, 1987) Ausrichtung von 3D Repräsentationen Die Implementation: SCERPO (Lowe 1985, 1987) Perceptual Grouping 1. Collinearity, Proximity, Parallelism 2. Higher Order Grouping (Trapezoid Shapes, Parallel Groups, Symmetries etc.) Edge Detection and Line Segmentation Input Image (Aus Biederman, 1995) Visuelle Kognition WS 01/02 A. Schwaninger 4.11 (Nach Lowe, 1987) Visuelle Kognition WS 01/02 A. Schwaninger 4.12
7 Ausrichtung von 3D Repräsentationen Ausrichtung von 3D Repräsentationen 3D Modell Huttenlocher & Ullman (1987, 1990) 2D Projektion Ergebnis Weisse Linien: Übereinstimmung zwischen Inputbild und Modellprojektion. Punktierte Linien: Ergänzungen durch Modellprojektion. (Aus Lowe, 1987) Visuelle Kognition WS 01/02 A. Schwaninger 4.13 (Aus Huttenlocher & Ullman, 1990) Visuelle Kognition WS 01/02 A. Schwaninger 4.14
8 Linearkombinationsmodell Grundidee (Ullman & Basri, 1991): M = M 1, M 2,..., M k seien Ansichten eines Objektes. Ein 2D Bild P gehört zu M wenn gilt: M1 M2 N LC1 LC2 LC3 (Aus Ullman, 1996, nach Ullman & Basri, 1991) Visuelle Kognition WS 01/02 A. Schwaninger 4.15 (Nach Ullman, 1996) Visuelle Kognition WS 01/02 A. Schwaninger 4.16
9 Recognition by View Combination Interpolation von 2D Repräsentationen Grundidee (Poggio & Edelman, 1990): I. Für jedes Objekt existiert eine multivariate Funktion f(x), welche jede perspektivische Ansicht in eine standardisierte Ansicht des Objektes abbildet. II. Diese Funktion kann durch eine relativ geringe Anzahl von 2D Ansichten approximiert werden. Eine 2D Ansicht wird durch eine mehrdimensionale Gaussverteilung modeliert. Radial Basis Function (RBF) f(x)=b(x-x 1 )+2B(x-x 2 ) (From Riesenhuber & Poggio, 1999b) Visuelle Kognition WS 01/02 A. Schwaninger 4.17 (Aus Edelman, 1999) Visuelle Kognition WS 01/02 A. Schwaninger 4.18
10 The Chorus of Prototypes (Edelman & Duvdevani-Bar, 1997; Edelman, 1998, 1999) The Chorus of Prototypes RBF module (Nach Edelman, 1999) (Nach Edelman, 1999) Visuelle Kognition WS 01/02 A. Schwaninger 4.19 Visuelle Kognition WS 01/02 A. Schwaninger 4.20
11 Vergleich der drei ansichtenbasierten Ansätze Voraussagen gemäss Bülthoff & Edelman (1992), sowie Edelman (1999): 3 D Repräsentationen: Inter = Extra = Ortho Linearkombinationen: Inter = Extra > Ortho Interpolation: Inter > Extra, Ortho Vergleich der drei ansichtenbasierten Ansätze Empirische Daten TRAINING ORTHO INTER EXTRA ORTHO (Modifiziert nach Bülthoff & Edelman, 1992) Visuelle Kognition WS 01/02 A. Schwaninger 4.21 (Aus Bülthoff & Edelman, 1992) Visuelle Kognition WS 01/02 A. Schwaninger 4.22
12 Vergleich der drei ansichtenbasierten Ansätze Theorien der Objekterkennung Ansichtenbasierte Ansätze Argumente gegen ansichtenbasierte Modelle Daten Interpolationsmodell (Aus Biederman & Gerhardstein, 1993) Objektklasse wird trotz jeweils neuer Konturen erkannt. (Nach Biederman, 1987) Art der Konturen ist unterschiedlich relevant (Hummel & Biederman, 1992). (Aus Bülthoff & Edelman, 1992) Bottom-up Auswahl einer Gedächtnisrepräsentation durch nonaccidental Properties (NAPs, Lowe, 1987). Visuelle Kognition WS 01/02 A. Schwaninger 4.23 Visuelle Kognition WS 01/02 A. Schwaninger 4.24
13 Theorien der Objekterkennung Ansichtenbasierte Ansätze Argumente gegen ansichtenbasierte Modelle Theorien der Objekterkennung Ansichtenbasierte Ansätze Argumente gegen ansichtenbasierte Modelle (Aus Hummel & Biederman, 1992) Fehlende Sensitivität bezüglich einzelner Attribute. NAPs, sowie Input unterschiedlich gewichten (Ullman, 1996). Wie werden neue Objekte erkannt? Neue Objekten durch Ähnlichkeiten zu bekannten Prototypen enkodieren und erkennen (Edelman & Duvdevani- Bar, 1997; Edelman, 1998, 1999). (Aus Biederman, 1987) Objekte werden automatisch aus Teilen bestehend wahrgenommen. Ansichtenbasierte Erkennung, strukturelle Beschreibungen zur Identifikation (Kosslyn, 1994). Visuelle Kognition WS 01/02 A. Schwaninger 4.25 Visuelle Kognition WS 01/02 A. Schwaninger 4.26
Inhalt und Überblick. Visuelle Kognition Adrian Schwaninger Universität Zürich. Erkennung und Repräsentation Ansichtenbasierte Ansatze Überblick
Einleitung Visuelle Kognition Adrian Schwaninger Universität Zürich Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle
MehrInhalt und Überblick. Visuelle Kognition Adrian Schwaninger Universität Zürich
Einleitung Visuelle Kognition Adrian Schwaninger Universität Zürich Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Ansichtenbasierte Modelle Diskussion Gesichterwahrnehmung
MehrInhalt und Überblick. Visuelle Kognition. Visuelle Kognition WS 2001/2002 Adrian Schwaninger
Einleitung WS 2001/2002 Adrian Schwaninger Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle Diskussion Gesichterwahrnehmung
MehrInhalt und Überblick. Visuelle Kognition Adrian Schwaninger Universität Zürich. Visuelle Kognition. Funktionaler Zugang.
drian Schwaninger Universität ürich Begriffsbestimmung Inhalt und Überblick Funktionaler ugang Bottom-Up Selektion Top-Down Selektion Bedürfnisse Repräsentation, Erkennung, Kategorisierung Traditioneller
MehrInhalt und Überblick
Einleitung Visuelle Kognition Adrian Schwaninger Universität Zürich Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle
MehrInhalt und Überblick. Visuelle Kognition. Visuelle Kognition Adrian Schwaninger Universität Zürich. Visuelle Aufmerksamkeit. Einleitung. 1.
Einleitung Adrian Schwaninger Universität Zürich Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle Diskussion Gesichterwahrnehmung
MehrInhalt und Überblick. Visuelle Kognition. Visuelle Kognition Adrian Schwaninger Universität Zürich. Visuelle Aufmerksamkeit. Einleitung. 1.
Einleitung Adrian Schwaninger Universität Zürich Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle Diskussion Gesichterwahrnehmung
MehrGrundlagen der Allgemeinen Psychologie: Wahrnehmungspsychologie. Herbstsemester (aktualisiert) Prof. Dr. Adrian Schwaninger.
Grundlagen der Allgemeinen Psychologie: Wahrnehmungspsychologie Herbstsemester 2011 05.12.2011 (aktualisiert) Überblick Einleitung, philosophische Überlegungen, Psychophysik Wahrnehmung: Sinnesorgane Prozesse
MehrGrundlagen der Allgemeinen Psychologie: Wahrnehmungspsychologie
Grundlagen der Allgemeinen Psychologie: Wahrnehmungspsychologie Herbstsemester 2008 02.12.2008 (aktualisiert) Prof. Dr. Adrian Schwaninger Universität Zürich & Fachhochschule Nordwestschweiz Visual Cognition
MehrInhalt und Überblick. Visuelle Kognition WS 2001/2002 Adrian Schwaninger. Visuelle Kognition. Einleitung
WS 2001/2002 Adrian Schwaninger Visuelle Aufmerksamkeit Visual Search: Distributed, parallel, pop-out Inhalt und Überblick Einleitung Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle
Mehr1. Sitzung. Inhalt und Überblick. Objekterkennung WS 1999/2000 Adrian Schwaninger. Einleitung
WS 1999/2000 Adrian Schwaninger Inhalt und Überblick Einleitung Traditioneller Ansatz Wissenbasierter Ansatz Ansichtenbasierte Modelle 1. Sitzung Befunde aus den Neurowissenschaften Primäre visuelle Verarbeitung
MehrVL Wahrnehmung und Aufmerksamkeit. Woher weiß ich, was das ist? Objektwahrnehmung
VL Wahrnehmung und Aufmerksamkeit Woher weiß ich, was das ist? Objektwahrnehmung Was ist das? Was ist das? Was ist das? Oft hilft Verdeckung bei Erkennung. http://www.blelb.ch/deutsch/blelbspots/spot21/blelbspot21_de.htm
MehrIntroduction FEM, 1D-Example
Introduction FEM, D-Example /home/lehre/vl-mhs-/inhalt/cover_sheet.tex. p./22 Table of contents D Example - Finite Element Method. D Setup Geometry 2. Governing equation 3. General Derivation of Finite
MehrAllgemeine Psychologie 1 Herbstsemester 2008
Allgemeine Psychologie 1 Herbstsemester 2008 10.12.2008 (aktualisiert) Prof. Dr. Adrian Schwaninger Überblick Wahrnehmung: Sinnesorgane Prozesse und Grundprinzipien Sehen Hören Tastsinn Geschmackssinn
MehrÜbersicht Aufmerksamkeit
Allgemeine Psychologie 3 Frühlingssemester 2010 (aktualisiert) 07.04.2010 Übersicht Aufmerksamkeit Einführung Auditive Aufmerksamkeit Visuelle Aufmerksamkeit Zentrale Aufmerksamkeit 2 1 Vom Auge zum Kortex
MehrIntroduction FEM, 1D-Example
Introduction FEM, 1D-Example home/lehre/vl-mhs-1-e/folien/vorlesung/3_fem_intro/cover_sheet.tex page 1 of 25. p.1/25 Table of contents 1D Example - Finite Element Method 1. 1D Setup Geometry 2. Governing
MehrParallelverarbeitung von Farbe, Bewegung, Form und Tiefe
Grundlagen der Allgemeinen Psychologie: Wahrnehmungspsychologie Herbstsemester 2011 10.10.2011 (aktualisiert) Prof. Dr. Adrian Schwaninger Überblick Wahrnehmung: Sinnesorgane Prozesse und Grundprinzipien
MehrFEM Isoparametric Concept
FEM Isoparametric Concept home/lehre/vl-mhs--e/cover_sheet.tex. p./26 Table of contents. Interpolation Functions for the Finite Elements 2. Finite Element Types 3. Geometry 4. Interpolation Approach Function
MehrEinführung in die Finite Element Methode Projekt 2
Einführung in die Finite Element Methode Projekt 2 Juri Schmelzer und Fred Brockstedt 17.7.2014 Juri Schmelzer und Fred Brockstedt Einführung in die Finite Element Methode Projekt 2 17.7.2014 1 / 29 Project
MehrEinblick in Grundlagenforschung und Anwendung. Adrian Schwaninger, Dr. phil. Aviation Security Technologie. X-Ray Screening
UNI VER SITY OF ZURIC H MPI FOR BIOLOGICAL CYBERNETICS Allgemeine Psychologie III: Wahrnehmung Einblick in Grundlagenforschung und Anwendung Adrian Schwaninger, Dr. phil. Psychologisches Institut der Universität
MehrHuman Detection Based On Part Models
Human Detection Based On Part Models Seminar: Mobile Human Detection Systems William Basilien Kom MatrNr: 3098186 Institute of Computer Engineering 13. März 2017 1 / 25 Motivation 2 / 25 Inhaltsverzeichnis
MehrExperimentalpsychologisches Praktikum
Experimentalpsychologisches Praktikum Prof. Dr. Adrian Schwaninger Fachhochschule Nordwestschweiz Hochschule für Angewandte Psychologie +41 (0) 76 393 24 46 Adrian.Schwaninger@fhnw.ch 1. Sitzung Übung
MehrObjekterkennung und Signaldetektion: Anwendungen in der Praxis
Adrian Schwaninger Objekterkennung und Signaldetektion: Anwendungen in der Praxis 1. Zusammenfassung Beim Menschen ist der Sehsinn der differenzierteste aller Sinne. Über zwei Drittel des Cortex dienen
MehrInterpolation Functions for the Finite Elements
Interpolation Functions for the Finite Elements For the finite elements method, the following is valid: The global function of a sought function consists of a sum of local functions: GALERKIN method: the
MehrChallenges for the future between extern and intern evaluation
Evaluation of schools in switzerland Challenges for the future between extern and intern evaluation Michael Frais Schulentwicklung in the Kanton Zürich between internal evaluation and external evaluation
MehrAlgorithms for graph visualization
Algorithms for graph visualization Project - Orthogonal Grid Layout with Small Area W INTER SEMESTER 2013/2014 Martin No llenburg KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum
MehrFinite Difference Method (FDM)
Finite Difference Method (FDM) home/lehre/vl-mhs-1-e/folien/vorlesung/2a_fdm/cover_sheet.tex page 1 of 15. p.1/15 Table of contents 1. Problem 2. Governing Equation 3. Finite Difference-Approximation 4.
MehrDYNAMISCHE GEOMETRIE
DYNAMISCHE GEOMETRIE ÄHNLICHKEITSGEOMETRIE & MODELLIERUNG PAUL LIBBRECHT PH WEINGARTEN WS 2014-2015 CC-BY VON STAUDT KONSTRUKTIONEN Menü Erinnerung: Strahlensatz Längen, Frame Zielartikel Addition, Subtraktion
MehrUnit 4. The Extension Principle. Fuzzy Logic I 123
Unit 4 The Extension Principle Fuzzy Logic I 123 Images and Preimages of Functions Let f : X Y be a function and A be a subset of X. Then the image of A w.r.t. f is defined as follows: f(a) = {y Y there
MehrObjekterkennung Visuelle Verarbeitung von Gesichtern Orientierungseffekte. Objekterkennung Visuelle Verarbeitung von Gesichtern Orientierungseffekte
Orientierungseffekte Orientierungseffekte Inversionseffekt Thatcher Illusion Rotierte Gesichter sind schwieriger zu erkennen als andere mono-orientierte Objekte (Yin, 1969). Der groteske Gesichtsausdruck,
MehrFEM Isoparametric Concept
FEM Isoparametric Concept home/lehre/vl-mhs--e/folien/vorlesung/4_fem_isopara/cover_sheet.tex page of 25. p./25 Table of contents. Interpolation Functions for the Finite Elements 2. Finite Element Types
MehrUnit 1. Motivation and Basics of Classical Logic. Fuzzy Logic I 6
Unit 1 Motivation and Basics of Classical Logic Fuzzy Logic I 6 Motivation In our everyday life, we use vague, qualitative, imprecise linguistic terms like small, hot, around two o clock Even very complex
MehrVisuelle Kognition Visuelle Verarbeitung von Gesichtern Orientierungseffekte
Orientierungseffekte Inversionseffekt Orientierungseffekte Thatcher Illusion Rotierte Gesichter sind schwieriger zu erkennen als andere mono-orientierte Objekte (Yin, 1969). Der groteske Gesichtsausdruck,
MehrUnit 5. Mathematical Morphology. Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 85
Unit 5 Mathematical Morphology Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 85 Introduction to Mathematical Morphology Use of algebraic analysis for detecting
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrImplizite Modellierung zur Objekterkennung in der Fernerkundung
Implizite Modellierung zur Objekterkennung in der Fernerkundung Mitarbeiterseminar 20.01.2011 (IPF) Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften KIT Universität des Landes Baden-Württemberg
MehrTube Analyzer LogViewer 2.3
Tube Analyzer LogViewer 2.3 User Manual Stand: 25.9.2015 Seite 1 von 11 Name Company Date Designed by WKS 28.02.2013 1 st Checker 2 nd Checker Version history Version Author Changes Date 1.0 Created 19.06.2015
MehrInverse Problems In Medical Imaging
Inverse Problems In Medical Imaging 07.05.18 Simon Krug physics654: Seminar Medical Imaging University of Bonn Inverse Problems Problem solving Inverse problems Noise Object and Image Radon transform Silent
MehrLabor Demand. Anastasiya Shamshur
Labor Demand Anastasiya Shamshur 16.03.2011 Outline Labor Supply Labor Demand always DERIVED: demand for labor is derived from the demand for a rm's output, not the rm's desire fore hire employees. Equilibrium
MehrSeeking for n! Derivatives
Seeking for n! Derivatives $,000$ Reward A remarkable determinant (,0) (,) (0,0) (0,) (,0) (,0) (,) (,) (0,0) (0,) (0,) General definition Δ μ (X, Y ) = det x p i j yq i n j i,j= As a starter... n! dim
MehrUnit 9. Prototype-Based Clustering. Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 176
Unit 9 Prototype-Based Clustering Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 176 Introduction Instead of a complete set description, every cluster C i is represented
MehrI-Q SCHACHT & KOLLEGEN QUALITÄTSKONSTRUKTION GMBH ISO 26262:2011. Tabellen mit ASIL Zuordnungen
I-Q SCHACHT & KOLLEGEN QUALITÄTSKONSTRUKTION GMBH ISO 26262:2011 Tabellen mit ASIL Zuordnungen 1. Die Tabellen in der Norm (mit ASIL Zuordnung) Ein wesentlicher Bestandteil der Norm sind die insgesamt
Mehr1. THÉVENIN/NORTON EQUIVALENCE
1. THÉVENN/NORTON EQUVALENCE Aufgabe: Benutzen Sie die Netzumwandlung zur Berechnung des Stromes 4. Lösung: 2A. VOLTAGE DVDER (SPANNUNGSTELER) Any serial combination of impedances acts as a voltage divider
MehrPELTIER-HOCHLEISTUNGSMODULE
Wolfgang Knap Gesellschaft m.b.h. & Co.KG A-113 Wien Lilienberggasse 13 Tel.: +43-1-43 8 12 Fax: +43-1-48 72 13 e-mail: info@knap.at http://www.knap.at PELTIER-HOCHLEISTUNGSMODULE Die Hochleistungsmodule
MehrRätsel 1: Buchstabensalat klassisch, 5 5, A C (10 Punkte) Puzzle 1: Standard As Easy As, 5 5, A C (10 points)
Rätsel 1: uchstabensalat klassisch, 5 5, (10 Punkte) Puzzle 1: Standard s Easy s, 5 5, (10 points) Rätsel 2: uchstabensalat klassisch, 5 5, (5 Punkte) Puzzle 2: Standard s Easy s, 5 5, (5 points) Rätsel
MehrAutomatentheorie und formale Sprachen reguläre Ausdrücke
Automatentheorie und formale Sprachen reguläre Ausdrücke Dozentin: Wiebke Petersen 6.5.2009 Wiebke Petersen Automatentheorie und formale Sprachen - SoSe09 1 Formal language Denition A formal language L
MehrWord-CRM-Upload-Button. User manual
Word-CRM-Upload-Button User manual Word-CRM-Upload for MS CRM 2011 Content 1. Preface... 3 2. Installation... 4 2.1. Requirements... 4 2.1.1. Clients... 4 2.2. Installation guidelines... 5 2.2.1. Client...
MehrVisuelle Kognition Visuelle Verarbeitung von Gesichtern Orientierungseffekte
Orientierungseffekte Inversionseffekt Orientierungseffekte Thatcher Illusion Rotierte Gesichter sind schwieriger zu erkennen als andere mono-orientierte Objekte (Yin, 1969). Der groteske Gesichtsausdruck,
MehrI-Q SCHACHT & KOLLEGEN QUALITÄTSKONSTRUKTION GMBH ISO 26262:2011. Tabellen mit ASIL Zuordnungen
I-Q SCHACHT & KOLLEGEN QUALITÄTSKONSTRUKTION GMBH ISO 26262:2011 Tabellen mit ASIL Zuordnungen 1. Die Tabellen in der Norm (mit ASIL Zuordnung) Ein wesentlicher Bestandteil der Norm sind die insgesamt
MehrVorlesung: Kognitive Neuropsychologie
Vorlesung: Kognitive Neuropsychologie Do: 11-13; Geb. B21 HS http://www.neuro.psychologie.unisaarland.de/downloads.html 1 26.04. Geschichte der kognitiven Neurowissenschaft (1) 2 3.05. Funktionelle Neuroanatomie
MehrMathias Schlüter 1, B. Stieltjes 2, H. K. Hahn 1, J. Rexilius 1, O. Konrad-Verse 1, H.-O. Peitgen 1. MeVis 2 DKFZ. Purpose
Frühe Indentifizierung von Tumor-Infiltration in Faserbündeln der Weißen Substanz mit Diffusions-Tensor- Bildgebung Early Stage Detection of Tumor Infiltration in White Matter Fiber Bundles Using Diffusion
MehrInformatik - Übungsstunde
Informatik - Übungsstunde Jonas Lauener (jlauener@student.ethz.ch) ETH Zürich Woche 08-25.04.2018 Lernziele const: Reference const: Pointer vector: iterator using Jonas Lauener (ETH Zürich) Informatik
MehrPrimärspannungsmessungen mit der. CSIRO Triaxialzelle
Blatt Nr.: 1 STRESS CELL REDUCTION PROGRAM ******************************** ******************************** Authorized & accredited by the CSIRO Division of Geomechanics. Copyright Mindata Ltd, July 1990
Mehr10. Linksassoziative Grammatik (LAG)
Kapitel 10: Linksassoziative Grammatik (LAG) 168 10 Linksassoziative Grammatik (LAG) 101 Regeltypen und Ableitungsordnung 1011 Der Begriff linksassoziativ When we combine operators to form expressions,
MehrEinführung in die Computerlinguistik reguläre Sprachen und endliche Automaten
Einführung in die Computerlinguistik reguläre Sprachen und endliche Automaten Dozentin: Wiebke Petersen Foliensatz 3 Wiebke Petersen Einführung CL 1 Describing formal languages by enumerating all words
MehrSpeech Recognition Grammar Compilation in Grammatikal Framework. von Michael Heber
Speech Recognition Grammar Compilation in Grammatikal Framework von Michael Heber Agenda 1. Einführung 2. Grammatical Framework (GF) 3. Kontextfreie Grammatiken und Finite-State Modelle 4. Quellen 2 1.
MehrPresentation of a diagnostic tool for hybrid and module testing
Presentation of a diagnostic tool for hybrid and module testing RWTH Aachen III. Physikalisches Institut B M.Axer, F.Beißel, C.Camps, V.Commichau, G.Flügge, K.Hangarter, J.Mnich, P.Schorn, R.Schulte, W.
MehrAlgorithm Theory 3 Fast Fourier Transformation Christian Schindelhauer
Algorithm Theory 3 Fast Fourier Transformation Institut für Informatik Wintersemester 2007/08 Chapter 3 Fast Fourier Transformation 2 Polynomials Polynomials p over real numbers with a variable x p(x)
MehrProf. S. Krauter Kombinatorik. WS Blatt03.doc
Prof. S. Krauter Kombinatorik. WS 05-06 Blatt03.doc Zahlpartitionen: 1. Gegeben ist folgende Gleichung: x 1 + x 2 + x 3 + + x s = n. a) Wie viele verschiedene Lösungen besitzt diese Gleichung mit Werten
MehrInformatik für Mathematiker und Physiker Woche 7. David Sommer
Informatik für Mathematiker und Physiker Woche 7 David Sommer David Sommer 30. Oktober 2018 1 Heute: 1. Repetition Floats 2. References 3. Vectors 4. Characters David Sommer 30. Oktober 2018 2 Übungen
MehrStahl-Zentrum. Koksqualität und Hochofenleistung - Theorie und Praxis. Düsseldorf, 05. Dezember Peter Schmöle
Koksqualität und Hochofenleistung - Theorie und Praxis Düsseldorf, 05. Dezember 2013 1 ThyssenKrupp Steel Europe Coke quality and blast furnace performance Introduction Roles of coke Flooding effects Effects
MehrAufmerksamkeit II Bewusstsein
Aufmerksamkeit II Bewusstsein VL Wahrnehmung und Aufmerksamkeit, Dipl.-Psych. S. Raisig, Humboldt Universität Berlin, WS 2008/2009 Wozu dient selektive Aufmerksamkeit? 1. Binding Problem Objekt wird von
MehrDPM_flowcharts.doc Page F-1 of 9 Rüdiger Siol :28
Contents F TOOLS TO SUPPORT THE DOCUMENTATION... F-2 F.1 GRAPHIC SYMBOLS AND THEIR APPLICATION (DIN 66 001)... F-2 F.1.1 Flow of control... F-3 F.1.2 Terminators and connectors... F-4 F.1.3 Lines, arrows
MehrNumber of Maximal Partial Clones
Number of Maximal Partial Clones KARSTEN SCHÖLZEL Universität Rostoc, Institut für Mathemati 26th May 2010 c 2010 UNIVERSITÄT ROSTOCK MATHEMATISCH-NATURWISSENSCHAFTLICHE FAKULTÄT, INSTITUT FÜR MATHEMATIK
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Reguläre Ausdrücke und reguläre Grammatiken Laura Kallmeyer Heinrich-Heine-Universität Düsseldorf Summer 2016 1 / 20 Regular expressions (1) Let Σ be an alphabet. The
MehrTitelmasterformat Object Generator durch Klicken bearbeiten
Titelmasterformat Object Generator durch Klicken bearbeiten How to model 82 screws in 2 minutes By Pierre-Louis Ruffieux 17.11.2014 1 Object Generator The object generator is usefull tool to replicate
MehrGrundlagen der Rekonstruktion bei bildgebenden 3D-Schichtverfahren
Grundlagen der Rekonstruktion bei bildgebenden 3D-Schichtverfahren Im Rahmen des 8. Fortbildungsseminars der Arbeitsgemeinschaften Physik und Technik der DRG (APT) und der DGMP (K22) in Magdeburg am 18.
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrAttention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. ,and C = [ ].
Page 1 LAST NAME FIRST NAME MATRIKEL-NO. Attention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. Problem 1 (15 points) a) (1 point) A system description
MehrDatenstrukturen. Ziele
Datenstrukturen Ziele Nutzen von Datenstrukturen Funktionsweise verstehen Eigenen Datenstrukturen bauen Vordefinierte Datenstrukturen kennen Hiflsmethoden komplexer Datenstrukten kennen Datenstrukturen
MehrCustomer-specific software for autonomous driving and driver assistance (ADAS)
This press release is approved for publication. Press Release Chemnitz, February 6 th, 2014 Customer-specific software for autonomous driving and driver assistance (ADAS) With the new product line Baselabs
MehrTomTom WEBFLEET Tachograph
TomTom WEBFLEET Tachograph Installation TG, 17.06.2013 Terms & Conditions Customers can sign-up for WEBFLEET Tachograph Management using the additional services form. Remote download Price: NAT: 9,90.-/EU:
MehrInformatik 1 Kurzprüfung 2 LÖSUNG
Informatik 1 Kurzprüfung 2 LÖSUNG Herbstsemester 2013 Dr. Feli Friedrich 4.12.2013 Name, Vorname:............................................................................ Legi-Nummer:..............................................................................
MehrFalko. Error annotations in Falko 2.x. Marc Reznicek & Cedric Krummes
Falko Error annotations in Falko 2.x Marc Reznicek & Cedric Krummes Symposium What s Hard in German? Structural Difficulties, Research Approaches and Pedagogic Solutions Bangor University Monday and Tuesday,
MehrWeather forecast in Accra
Weather forecast in Accra Thursday Friday Saturday Sunday 30 C 31 C 29 C 28 C f = 9 5 c + 32 Temperature in Fahrenheit Temperature in Celsius 2 Converting Celsius to Fahrenheit f = 9 5 c + 32 tempc = 21
Mehr1D-Example - Finite Difference Method (FDM)
D-Example - Finite Difference Method (FDM) h left. Geometry A = m 2 = m ents 4m q right x 2. Permeability k f = 5 m/s 3. Boundary Conditions q right = 4 m/s y m 2 3 4 5 h left = 5 m x x x x home/baumann/d_beispiel/folie.tex.
Mehra) Name and draw three typical input signals used in control technique.
12 minutes Page 1 LAST NAME FIRST NAME MATRIKEL-NO. Problem 1 (2 points each) a) Name and draw three typical input signals used in control technique. b) What is a weight function? c) Define the eigen value
MehrPotentiale der Low-Cost- und Low-Tech-Bilderfassung. Workshop Reverse Engineering, 22. November 2017 Matthias Blankenburg
Potentiale der Low-Cost- und Low-Tech-Bilderfassung Workshop Reverse Engineering, 22. November 2017 Matthias Blankenburg Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik Fraunhofer IPK
MehrCaliph & Emir. Retrieval und Annotation von digitalen Photos mit MPEG-7. Mathias Lux
Caliph & Emir Retrieval und Annotation von digitalen Photos mit MPEG-7 Mathias Lux mlux@know-center.at - gefördert durch das Kompetenzzentrenprogramm Overview Einleitung Geschichtliches Annotation mit
MehrFOXY ADVANCED PASSION OF MOVEMENT
FOXY ADVANCED PASSION OF MOVEMENT www.panther.tv The New Big Base The Big Base was designed to ensure greater stability and security. By simply turning the base 90 you can choose between 62cm and 100cm
MehrEmotion Recognition of Call Center Conversations Robert Bosch Engineering and Business Solutions Private Limited
Emotion Recognition of Call Center Conversations Robert Bosch Engineering and Business Solutions Private Limited 1 Agenda 1 Introduction 2 Problem Definition 3 Solution Overview 4 Why Consider Emotions
MehrProposal for Belt Anchorage Points
Proposal for Belt Anchorage Points Heiko Johannsen Johannes Holtz Page 1 NPACS Belt Anchorage Points Positions acquired based on car measurements Front seats In most rear position Rear seats Upper Fwd
MehrEinführung in die Computerlinguistik reguläre Sprachen und endliche Automaten
Einführung in die Computerlinguistik reguläre Sprachen und endliche Automaten Dozentin: Wiebke Petersen 03.11.2009 Wiebke Petersen Einführung CL (WiSe 09/10) 1 Formal language Denition Eine formale Sprache
MehrStochastic Processes SS 2010 Prof. Anton Wakolbinger. Klausur am 16. Juli 2010
Stochastic Processes SS 2010 Prof. Anton Wakolbinger Klausur am 16. Juli 2010 Vor- und Nachname: Matrikelnummer: Studiengang: Tutor(in): In der Klausur können 100 Punkte erreicht werden. Die Gesamtpunktezahl
MehrSchachaufgabe 05: Ma-Übung Chess Problem 05: Mate training
Schachaufgabe 05: Ma-Übung Chess Problem 05: Mate training In dieser Aufgabe ist kein Zug zu finden. Vielmehr sollst du herausfinden, wieviel weiße Figuren mindestens nö"g sind, um den schwarzen König
MehrEwald s Sphere/Problem 3.7
Ewald s Sphere/Problem 3.7 Studentproject/Molecular and Solid-State Physics Lisa Marx 831292 15.1.211, Graz Ewald s Sphere/Problem 3.7 Lisa Marx 831292 Inhaltsverzeichnis 1 General Information 3 1.1 Ewald
MehrObjekterkennung Kosslyn's Modell Dorsales und ventrales System. Objekterkennung Kosslyn's Modell Verrechnung der Augenposition in Area 7a
Dorsales und ventrales System Verrechnung der Augenposition in Area 7a (Aus Zipser & Andersen, 1988) A. Schwaninger WS 1999/2000 11.1 A. Schwaninger WS 1999/2000 11.2 Mentale Transformationen (Bsp. Mentale
MehrDAS ROTE BAND...ist das Kennzeichen der Rosner NOOS Hosen. THE RED RIBBON...is the hallmark of Rosner NOOS trousers.
NOOS NOOS DAS ROTE BAND...ist das Kennzeichen der Rosner NOOS Hosen. THE RED RIBBON...is the hallmark of Rosner NOOS trousers. ARGUMENTE FÜR DAS NOOS PROGRAMM Gesicherte Umsätze durch bewährte und geprüfte
MehrVom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Vom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
MehrThe scientific approach of scale-up of a fluid bed
Hüttlin Pharma Service The scientific approach of scale-up of a fluid bed Dr. Marcus Knöll November 2012 Objectives - Implementation of NIR in a fluid bed granulator Titel des Kapitels Case study The granulation
MehrConnection between electrical resistivity and the hydraulic conductivity
Connection between electrical resistivity and the hydraulic conductivity Ima Grabowski Connection between electrical resistivity and the hydraulic conductivity Basic data from Föhr west and east water
MehrFarbwahrnehmung. } Unterscheidung von Licht verschiedener Wellenlängen. Björn Rasch Vorlesung Allg. Psychologie Uni FR
Farbwahrnehmung } Unterscheidung von Licht verschiedener Wellenlängen } primär durch die 3 Zapfentypen mit max. Empfindlichkeit für verschiedene Wellenlängen } K-Zapfen: kurzwelliges Licht (ca. 420 nm,
Mehr1.1 Was ist KI? 1.1 Was ist KI? Grundlagen der Künstlichen Intelligenz. 1.2 Menschlich handeln. 1.3 Menschlich denken. 1.
Grundlagen der Künstlichen Intelligenz 20. Februar 2015 1. Einführung: Was ist Künstliche Intelligenz? Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert Universität Basel 20. Februar 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
MehrMagic Figures. We note that in the example magic square the numbers 1 9 are used. All three rows (columns) have equal sum, called the magic number.
Magic Figures Introduction: This lesson builds on ideas from Magic Squares. Students are introduced to a wider collection of Magic Figures and consider constraints on the Magic Number associated with such
Mehr1.3 Charakteristische Eigenschaften von objektorientierten Systemen
1.3 Charakteristische Eigenschaften von objektorientierten Systemen Einkapselung (Encapsulation) Geheimhaltungsprinzip (Information / Implementation hiding) Persistenz (State retention) Objektidentität
MehrMock Exam Behavioral Finance
Mock Exam Behavioral Finance For the following 4 questions you have 60 minutes. You may receive up to 60 points, i.e. on average you should spend about 1 minute per point. Please note: You may use a pocket
Mehr