Swarm Optimization Techniques for 3D Vision
|
|
- Monica Hofmann
- vor 6 Jahren
- Abrufe
Transkript
1 Swarm Optimization Techniques for 3D Vision Dipl.Ing. Ulrich Kirchmaier 1
2 Übersicht 1. Bildverarbeitung und Computer Vision 1. Merkmale : Kanten, Ecken, Punkte 2. Anwendungen: Tracking, 3D Rekonstruktion 2. Schwarmintelligenz 1. Prinzipien 2. Beispielalgorithmen 3. SI in BV & CV 1. 3D PSO 2. SI Straight Line Finder 3. SI Contour Analyzer 2
3 Bild = Matrix Ziel BV & CV: Informationen aus Bildern generieren 3
4 Kanten: Gradient in x und y Richtung dx1 dx2 x1 x2 4
5 Kantenfilter Kantenbilder(Betrag) Amplitude G 2 2 I x I y Bild Maske x dx dy Phase arctan I I y x 5
6 Interest Points Harris Harris Matrix: 2 x x y A w( u, v) 2 u v I xi y I y I I I -> Eigenwertzerlegung von A 1. beide Eigenwerte klein -> kein Interest Point (Fläche) 2. Einer von beiden groß, der andere klein -> Kante 3. Beide groß -> Ecke Harris Corner Measure: M c ( 1 2) det( A) Spur( A)
7 Interest Points Harris 7
8 Matching Information in ähnlichem Bild wiederfinden 8
9 Template Matching Vorgehen: Bildausschnitt aus Bild 1 (Template I t (x t,y t ), Größe w t x h t ) wird in einem Suchfenster in Bild 2 (Search Image I s (x s,y s ), Größe w s x h s ) verglichen, für jedes Pixel im Suchfenster Metriken: SAD = NCC = 9 ), ( ), ( s h s j t s w i j i I j y i x I j i s j i t j i t s j y i x I j i I j i I j y i x I, 2 2,, ), ( ), ( ), ( ), (
10 Template Matching - Beispiel NCC Template Search Gut bei Translation, leichte Illuminationsänderung, einfach und schnell Probleme: Rotation, Skalierung, Scherung, große Illuminationsänderung 10
11 Ausgeklügelter Scale-Spaces & DoG SIFT Scale Invariant Feature Transform 11
12 Ausgeklügelter SIFT Keypoints = Extrema im Scale-Space 12
13 Ausgeklügelter SIFT Outlier killen (low contrast & principal curvature) 13
14 Ausgeklügelter SIFT Finale Keypoints mit Magnitude und Gradient 14
15 Ausgeklügelter SIFT Rotierte & skalierte Version mit Keypoints 15
16 SIFT Merkmalsbeschreiber Local Orientation Histograms, 128-dim Merkmalsvektor Best-Bin-first Suche bei Matching euklidische Distanz als Maß Anwendungsbeispiel: Objekterkennung & Lokalisierung 16
17 Anwendungen: Tracking Ziel: Verfolgen von beweglichen Objekten oder Merkmalen über die Zeit. Beispiel: konsekutive Bilder in Video Vorgehen: Merkmale finden & beschreiben Merkmale wiederfinden (Matching) Messfehler, Verdeckung, Veränderung der Erscheinung mehrere Objekte -> Assoziation Prädiktion: Annahme über Objekt-Bewegung 17
18 Tracking: Kalman-Filter Measurement Update ( correct ) Time Update ( predict ) (1) Project the state ahead xˆ [k 1 k] A[k]x[k ˆ k] B[k]u[k] (2) Project the error covariance ahead P[k 1 k] A[k]P[k k]a T [k] C vv [k] K[k] (1) Compute the Kalman gain P[k-1 k]h T [k] H[k]P[k k-1]h T [k] (2) Update estimate with measurement y[k] (3) Update the error covariance C nn [k] xˆ[k k] xˆ[k k 1] K[k](z[k] H[k]xˆ[k k 1]) P[k k] (I - K[k]H[k])P[k k-1] -1 Initial estimates for xˆ[k 1 k 1] and P[k 1 k 1] demo 18
19 Anwendungen: 3D Rekonstruktion 19
20 Anwendungen: 3D Rekonstruktion Beispiel Tiefenkarte, 3D Geometrie 20
21 Schwarmintelligenz Prinzipien Schwarm = N Agenten, unabhängig, mit Suchstrategie um Positionen optimaler Fitness zu finden. Lösung entsteht durch Interaktion Emergenz autonom: keine zentrale Kontrollinstanz, lokale Sicht: Keine komplette Sicht der Umgebung (des Lösungsraums) Bewegung: Fähigkeit der Agenten die Umgebung zu erkunden Kommunikation: Interaktion zwischen den Agenten Gedächtnis: Wissen aus vorhergehenden Situationen Fitnessfunktion: Möglichkeit, die aktuelle Position zu beurteilen 21
22 Schwarmintelligenz Beispielalgorithmen BOIDS demo Bewegungsregeln: 1. Separation 2. Alignment 3. Cohesion 22
23 Schwarmintelligenz Beispielalgorithmen Particle Swarm Optimization (PSO) - Fitnessfunktion, Gedächtnis und Kommunikation - Bewegungsregeln: v p t w v p t 1 c 1 r p p p ( x pbest xt 1) c2 r ( xgbest xt 1) p p p xt vt xt 1 matlabdemo 23
24 Schwarmintelligenz Beispielalgorithmen Ant Colony Optimization (ACO) - Stigmergie - Ameisen setzen Pheromone - Pheromone verfliegen - Pheromone beeinflussen Wahl des Weges der Ameisen ACO Futterdemo 24
25 Schwarmintelligenz Beispielalgorithmen Bacterial Foraging Optimization (BFO) - Bakterien schwimmen und tumblen (Zufallsbewegung), Schlechte sterben ab, an guten Positionen entstehen Neue matlabdemo 25
26 Schwarmintelligenz in BV/CV - 3DPSO PSO Partikel im 3D Raum, 3D Lokalisation & Tracking Positionsevaluierung durch Abstandsmaße 2 3 Object Alpha to be tracked Left Image Plane 1 Right Image Plane Mic 1 Mic l 0 r 26
27 Schwarmintelligenz in BV/CV - 3DPSO Audio: Azimuthwinkel von GCC Z Direction of Sound tanα = X/Z D audio D audio α π M(X,Y,Z) φ α 0 Origin X 27
28 Schwarmintelligenz in BV/CV - 3DPSO Video: Punktkorrespondenz D left (x MPl 2 x m ) (y y MPl l m l width height ) 2 M(X,Y,Z) D right (x MPr 2 x mr ) (ympr y mr ) width height 2 L R D left D right (x MPr, y MPr ) (x MPl, y MPl ) 0 l 0 r 28
29 Schwarmintelligenz in BV/CV - 3DPSO Fitnessfunktion F p (x) w audio D p audio w left D p left w right D p right Geschwindigkeit CPU Kalman PSO Intel DuoCore 2,4 Ghz, 3 GB RAM AMD Mobile Sempron 1,6 Ghz 512 MB RAM 51 ms/frame 51 ms/frame 106 ms/frame 100 ms/frame video 29
30 SI straight edge finder Agenten fliegen entlang von Kanten movement direction -dy dx parallel to line gradient orientation dx dy perpendicular to line 30
31 SI straight edge finder vs Hough Transform Probabilistic Hough Transform (PHT) our algorithm 31
32 SI straight edge finder vs Hough Transform Probabilistic Hough Transform (PHT) our algorithm 32
33 SI straight edge finder vs Hough Transform Probabilistic Hough Transform (PHT) our algorithm 33
34 SI straight edge finder vs Hough Transform Probabilistic Hough Transform (PHT) our algorithm 34
35 SI straight edge finder vs Hough Transform Speed: mean computation times, tested on a 2.6 GHz QuadCore PC, 3GB RAM Input mage Resolution Canny (s) PHT (s) sum (s) our algorithm (s) Building 868 x Roadview 550 x House 256 x
36 Schwarmintelligenz in BV/CV SI Contour Detection Agenten verteilen sich über Bild, analysieren ihre Positionen und verbinden sich zu Schwärmen, um Konturen finden Fenster Verbindungsmodell Kontur/ Schwarm x x nb2 nb3 nb2 nb3 nb4 x A nb4 C x nb1 ag nb5 nb1 ag nb5 NB1 x nb7 nb6 x x C nb7 nb6 B x ID1 Ag ID1 NB2 ID1 NB5 ID1 Agx ID1 NB4 NB3 matlabdemo 36
37 Zum Schluss: Werbung Projekt KogniFAS (Kooperation mit BMW) Kognitives Fahrassistenzsystem Prädiktion von Fahrverhalten durch kognitives Multiagenten-System video 37
38 BACKUP 38 Ulrich Kirchmaier
39 Rotation Translation Skalierung Scherung projektive Verzerrung 39
40 DoG Gauß Funktion und Ableitung 40
Navigation 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
MehrStructure-from-Motion. Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel
Structure-from-Motion Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel Fahrplan Structure-from Motion Workflow mit SIFT & Bundle Adjustment mit SURE Probleme/ Grenzen Technik Metrik und Vergleich
MehrMerkmalerkennung am Beispiel SIFT
Merkmalerkennung am Beispiel SIFT Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH Salzburg) Merkmalerkennung
MehrBildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science
Bildmerkmalssuche Seminar Computational Photography EINFÜHRUNG 2 Einführung Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens Erkennen von Objekten auf dem Bild oder in einer Bildsequenz anhand
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
MehrIndustrielle Bildverarbeitung mit OpenCV
Industrielle Bildverarbeitung mit OpenCV Zhang,Duoyi 6.7.2 Gliederung. Einführung für OpenCV 2. Die Struktur von OpenCV Überblick Funktionsumfang in Ausschnitten mit Beispielen 3. Industrielles Anwendungsbeispiel
MehrImplementierung und Evaluierung von Video Feature Tracking auf moderner Grafik Hardware
Implementierung und Evaluierung von Video Feature Tracking auf moderner Diplomarbeit vorgelegt von Sebastian Heymann Betreut von Prof. Dr. Bernd Fröhlich Bauhaus Universität t Dr. Aljoscha Smolic Fraunhofer
MehrBetrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.
Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo
MehrTracking. Einführung. Allgemeiner Systemaufbau. Objektlokalisation: Template-Matching. Prädiktionsfilter: Kalman
Tracking Einführung Allgemeiner Systemaufbau Objektlokalisation: Template-Matching Prädiktionsfilter: Kalman Birgit Möller & Denis Williams AG Bioinformatik & Mustererkennung Institut für Informatik Martin-Luther-Universität
MehrComputergrafik 2: Objekt-/Bilderkennung
Computergrafik 2: Objekt-/Bilderkennung Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
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
MehrStandardsoftware für die Industrielle Bildverarbeitung
Standardsoftware für die Industrielle Bildverarbeitung Der elegante Weg zur Performanzsteigerung Dr. Olaf Munkelt MVTec Software GmbH MVTec Software GmbH Firma konzentriert sich auf Building Vision for
MehrComputergrafik 2: Objekt-/Bilderkennung
Computergrafik 2: Objekt-/Bilderkennung Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrEVC Repetitorium Blender
EVC Repetitorium Blender Michael Hecher Felix Kreuzer Institute of Computer Graphics and Algorithms Vienna University of Technology INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Filter Transformationen
MehrSchwarmintelligenz. Julia Philipps, Marcel Boeing Künstliche Intelligenz II, C. Neuefeind Sprachliche Informationsverarbeitung, Uni Köln 2012
Schwarmintelligenz Julia Philipps, Marcel Boeing Künstliche Intelligenz II, C. Neuefeind Sprachliche Informationsverarbeitung, Uni Köln 2012 Was ist ein Schwarm? Aggregation von Individuen gleicher Art
MehrAir-Sea Gas Transfer: Schmidt Number Dependency and Intermittency
Air-Sea Gas Transfer: Schmidt Number Dependency and Intermittency Bernd Jähne, Reinhard Nielsen, Christopher Pop, Uwe Schimpf, and Christoph Garbe Interdisziplinäres Zentrum für Wissenschaftliches Rechnen
MehrQuadrocopters and it s Applications: Overview of State of the Art Techniques
: Overview of State of the Art Techniques Visual Tracking for Robotic Applications Sebastian Brunner Lehrstuhl für Echtzeitsysteme und Robotik Technische Universität München Email: brunnese@in.tum.de Date:
MehrVerfahren zur autonomen bildgestützten Navigation
Verfahren zur autonomen bildgestützten Navigation DGLR Workshop, 14. - 15.2.2007 Führungsaspekte unbemannter Luftfahrzeuge: Technologien und die Einbeziehung des Operateurs N. Schweyer, MBDA LFK-Lenkflugkörpersysteme
MehrKantenextraktion. Klassische Verfahren. Christoph Wagner. 30. Januar Vortrag zum Seminar Bildsegmentierung und Computer Vision
Klassische Verfahren 30. Januar 2006 Vortrag zum Seminar Bildsegmentierung und Computer Vision Gliederung Grundlagen 1 Grundlagen Aufgabenstellung Anforderungen an Kantenfilter Lineare Filter 2 3 Gliederung
MehrTechnische Universität Berlin Fakultät II Institut für Mathematik SS 13 G. Bärwolff, C. Mehl, G. Penn-Karras
Technische Universität Berlin Fakultät II Institut für Mathematik SS 3 G. Bärwolff, C. Mehl, G. Penn-Karras 9..3 Oktober Klausur Analysis II für Ingenieure Rechenteil. Aufgabe Punkte i) Wir berechnen zunächst
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrGenetische Algorithmen von der Evolution lernen
Genetische Algorithmen von der Evolution lernen (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Nils J. Nilsson Artificial Intelligence Morgan Kaufmann, 1998 Ansatz Bisher: Problemlösung
MehrSuche nach korrespondierenden Pixeln in zwei Bildern
Suche nach korrespondierenden Pixeln in zwei Bildern Seminar Algorithmen zur Erzeugung von Panoramabildern von Philip Mildner April 2008 Universität Mannheim Lehrstuhl Praktische Informatik IV Prof. Dr.
MehrProjektive Geometrie
Projektive Geometrie Einleitung Was ist projektive Geometrie? eine alternative algebraische Repräsentation von geometrischen Objekten (Punkt, Gerade,...) und Transformationen (Translation, Rotation,...)
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Objekterkennung
INTELLIGENTE DATENANALYSE IN MATLAB Objekterkennung Objekterkennung Problemstellung Gegeben: Ein Bild. Fragestellungen: Klassifikationsproblem Ist ein bestimmtes Objekt (z.b. Flugzeug) auf dem Bild? Welches
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
MehrProgrammierbeispiele und Implementierung. Name: Michel Steuwer E-Mail: michel.steuwer@wwu.de
> Programmierbeispiele und Implementierung Name: Michel Steuwer E-Mail: michel.steuwer@wwu.de 2 > Übersicht > Matrix Vektor Multiplikation > Mandelbrotmenge / Apfelmännchen berechnen > Kantendetektion
MehrPrüfung zur Vorlesung Mathematik I/II
Dr. A. Caspar ETH Zürich, August 2011 D BIOL, D CHAB Prüfung zur Vorlesung Mathematik I/II Bitte ausfüllen! Name: Vorname: Legi-Nr.: Nicht ausfüllen! Aufgabe Punkte Kontrolle 1 2 3 4 5 6 Total Vollständigkeit
MehrComputer Vision: SVM-Anwendungsbeispiele, Generalisierbarkeit
Computer Vision: SVM-Anwendungsbeispiele, Generalisierbarkeit D. Schlesinger TUD/INF/KI/IS Visual Categorization with Bags of Keypoints Recognizing Human Actions: A Local SVM Approach Shape Matching and
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
MehrHigh Level-Synthese eines Keypoint-Detection- Algorithmus für FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Belegarbeit High Level-Synthese eines Keypoint-Detection- Algorithmus für FPGAs Max
MehrSLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann
SLAM Simultaneous Localization and Mapping KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann Simultaneous Localization And Mapping SLAM Problematik SLAM Arten SLAM Methoden: (E)KF SLAM GraphSLAM Fast
MehrGeneral Purpose Computation on GPUs
General Purpose Computation on GPUs Matthias Schneider, Robert Grimm Universität Erlangen-Nürnberg {matthias.schneider, robert.grimm}@informatik.stud.uni-erlangen.de M. Schneider, R. Grimm 1 Übersicht
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrSoftwareprojekt Spieleentwicklung
Softwareprojekt Spieleentwicklung Prototyp I (2D) Prototyp II (3D) Softwareprojekt 12.04. 19.04. 26.04. 03.05. 31.05. Meilenstein I 28.06. Meilenstein II Prof. Holger Theisel, Tobias Günther, OvGU Magdeburg
MehrDetektion von Eckpunkten und einfachen Kurven
Detektion von Eckpunkten und einfachen Kurven Industrielle Bildverarbeitung, Vorlesung No. 7 1 M. O. Franz 21.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005.
MehrIntelligente Videotechnologien des
Intelligente technologien des AIT Austrian Institute t of Technology Safety & Security Department Hoch performante kompremierung und Bildverarbeitung DI Georg Art Safety & Security Department 1 Überblick
MehrKapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen
Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen
MehrHTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt. Mathematik II für Bauingenieure. (f) 4 sin x cos 5 x dx. 3 x e x2 dx (i) e 2x 1 dx.
HTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt Mathematik II Mathematik II für Bauingenieure Wiederholungsaufgaben zur Prüfungsklausur im Juli 2007 1 Integralrechnung Aufgabe 1 : Berechnen Sie die folgenden
MehrÖffnungszeiten: Mo. - Fr.: 9.00-18.00Uhr Sa.: 9.00-14.00Uhr. Wochen Angebote. 520MB/s read 300MB/s write 45,- Software Windows7 Dell Lizenz
USB Stick 5,- 10,- Linux E2 Betriebsystem Full HD DVB-S2 Dual Core Prozessor 1x Front USB 2.0 HbbTV&IPTV Ready Arbeitsspeicher 4GB PC1600 20,00 8GB PC1600 40,00 8GB PC2400 DDR4 44,00 SSD Intenso 128GB
MehrKanten und Konturen. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Kanten und Konturen Industrielle Bildverarbeitung, Vorlesung No. 6 1 M. O. Franz 14.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Kanten und
MehrSeminar im Grundstudium: Motion-Tracking in der Robotik
Seminar im Grundstudium SS2007 Seminar im Grundstudium: Motion-Tracking in der Robotik Lehrstuhl für Hardware-Software-Co-Design Universität Erlangen-Nürnberg stefan.wildermann@informatik.uni-erlangen.de
MehrProbabilistisches Tracking mit dem Condensation Algorithmus
Probabilistisches Tracking mit dem Condensation Algorithmus Seminar Medizinische Bildverarbeitung Axel Janßen Condensation - Conditional Density Propagation for Visual Tracking Michael Isard, Andrew Blake
MehrAnwendungen der Hauptkomponentenanalyse. Volker Tresp vertreten durch Florian Steinke
Anwendungen der Hauptkomponentenanalyse Volker Tresp vertreten durch Florian Steinke 1 Dimensionsreduktion für Supervised Learning 2 Beispiel: Kaufentscheidung 3 Verbesserte Abstandsmaße durch Hauptkomponentenanalyse
MehrEinführung in Support Vector Machines (SVMs)
Einführung in (SVM) Januar 31, 2011 Einführung in (SVMs) Table of contents Motivation Einführung in (SVMs) Outline Motivation Vektorrepräsentation Klassifikation Motivation Einführung in (SVMs) Vektorrepräsentation
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
MehrMOTION TRACKING. Olaf Christ AIS-Sommersemester 2000 Betreuer: Prof. C. Klauck
MOTION TRACKING Olaf Christ AIS-Sommersemester 2000 Betreuer: Prof. C. Klauck Motion Tracking Ziele des Vortrags Einsatzgebiete Bewegungsanalyse Methoden Weitere Probleme des Motion Tracking Abschließendes
MehrAugust 2015 - Workstation Line Up Seite 1/5
August 2015 - Workstation Line Up Seite 1/5 Produktname HP Z1 G2 All-in-One Workstation Z230 Tower Workstation Produktnummer G1X47EA G1X41EA Preis Fr. 2'999.00 Fr. 1'899.00 Prozessor Intel Xeon E3-1226v3
MehrNützliche Bildverarbeitungs- Verfahren
MIN-Fakultät Fachbereich Informatik Arbeitsbereich SAV/BV (KOGS) Nützliche Bildverarbeitungs- Verfahren BV-Praktikum im Sommersemester 2016 Leonie Dreschler-Fischer, David Mosteller und Benjamin Seppke
MehrBildtransformationen. Geometrische Transformationen Grauwert-Interpolation
Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrVerbesserte Volumenrekonstruktion aus 2D transesophagal Ultraschallbildserien
Verbesserte Volumenrekonstruktion aus 2D transesophagal Ultraschallbildserien Uwe Graichen 1, Rainer Zotz 2, Dietmar Saupe 3 1 Universität Leipzig, Institut für Informatik, Augustusplatz 1-11, 419 Leipzig
MehrEinführung in die Robotik Regelung in der Robotik. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.
Einführung in die Robotik Regelung in der Robotik Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 11. 12. 2012 Standardprobleme der mobilen Robotik Standardprobleme
MehrComputer Vision: Kalman Filter
Computer Vision: Kalman Filter D. Schlesinger TUD/INF/KI/IS D. Schlesinger () Computer Vision: Kalman Filter 1 / 8 Bayesscher Filter Ein Objekt kann sich in einem Zustand x X befinden. Zum Zeitpunkt i
MehrLineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß
Lineare Algebra I - 26. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Donnerstag 8.12.: 8:30 Uhr - Vorlesung 10:15 Uhr - große Übung / Fragestunde Klausur: Mittwoch, 14.12. 14:15 Uhr, A3 001 Cauchy-Schwarz
Mehr4 Lineare Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
MehrModern Windows OS Deployment
Modern Windows OS Deployment System Center 2012 Configuration Manager SP1 und Microsoft Deployment Toolkit MDT 2012 Update 1 User Driven Installation UDI 02.05.2013 trueit TechEvent 2013 1 Agenda Übersicht
Mehr1 = z = y + e. Nabla ist ein Vektor, der als Komponenten keine Zahlen sondern Differentiationsbefehle
Anmerkung zur Notation Im folgenden werden folgende Ausdrücke äquivalent benutzt: r = x y = x 1 x 2 z x 3 1 Der Vektoroperator Definition: := e x x + e y y + e z z = x y z. Nabla ist ein Vektor, der als
MehrSeminar Seminarname SS 2003
Universität Karlsruhe (TH) Institut für Rechnerentwurf und Fehlertoleranz (IRF) Lehrstuhl Prof. Dr.-Ing. Dillmann Seminar Seminarname SS 2003 Beitragstitel Eva Muster Kaiserstraße 1 76133 Karlsruhe eva@muster.de
MehrDVD MAKER USB2.0 Installation Anleitung
DVD MAKER USB2.0 Installation Anleitung Inhalt V1.0 Kapitel 1: DVD MAKER USB2.0 Hardware Montage...2 1.1 Inhalt der DVD MAKER USB2.0 Paket...2 1.2 Systemanforderungen...2 1.3 Hardware Montage...2 Kapitel
MehrHow-To-Do. Hardware Configuration of the CC03 via SIMATIC Manager from Siemens
How-To-Do Hardware Configuration of the CC03 via SIMATIC Manager from Siemens Content Hardware Configuration of the CC03 via SIMATIC Manager from Siemens... 1 1 General... 2 1.1 Information... 2 1.2 Reference...
MehrGrafikeinbindung in L A T E X
Grafikeinbindung p.1/35 Grafikeinbindung in L A T E X Stephan Baumgart baumgart@informatik.hu-berlin.de Humboldt-Universität zu Berlin Grafikeinbindung p.2/35 Gliederung Die Pakete graphics und graphicx
MehrLarge-Scale Image Search
Large-Scale Image Search Visuelle Bildsuche in sehr großen Bildsammlungen Media Mining I Multimedia Computing, Universität Augsburg Rainer.Lienhart@informatik.uni-augsburg.de www.multimedia-computing.{de,org}
MehrJanuar 2014 - Workstation Line Up Seite 1/2
Januar 2014 - Workstation Line Up Seite 1/2 Produktname HP Z1 G2 All-in-One Workstation Z230 Minitower Workstation Z230 Minitower Workstation Produktnummer G1X47EA WM571EA WM583EA Preis Fr. 2,999.00 Fr.
MehrMorphologische Operationen (12 Punkte)
05.10.2015 186.822 VU Einführung in Visual Computing 3. Test Gruppe A Matrikelnummer: Nachname: Punkte Studienkennzahl: Vorname: Bitte tragen sie Ihre Matrikelnummer, Studienkennzahl sowie Vor- und Nachname
MehrStudienarbeit. Hochschule für Angewandte Wissenschaften Hamburg Hamburg University of Applied Sciences. Carsten Fries
Hochschule für Angewandte Wissenschaften Hamburg Hamburg University of Applied Sciences Studienarbeit Carsten Fries Objekterkennung mit SIFT-Merkmalen Fakultät Technik und Informatik Department Informatik
MehrEine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft. Lars Melchior
Eine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft Lars Melchior Theoretische Grundlagen Theoretische Grundlagen Genetik Genetische Algorithmen NK
MehrINDEX. Netzwerk Überblick. Benötigte Komponenten für: Windows Server 2008. Windows Server 2008 R2. Windows Server 2012
INDEX Netzwerk Überblick Benötigte Komponenten für: Windows Server 2008 Windows Server 2008 R2 Windows Server 2012 Windows SQL Server 2008 (32 Bit & 64 Bit) Windows SQL Server 2012 Client Voraussetzungen
MehrBlatt 1. Kinematik- Lösungsvorschlag
Fakultät für Physik der LMU München Lehrstuhl für Kosmologie, Prof. Dr. V. Mukhanov Übungen zu Klassischer Mechanik (T1) im SoSe 011 Blatt 1. Kinematik- Lösungsvorschlag Aufgabe 1.1. Schraubenlinie Die
MehrKurzeinführungin Blender & Gimp 05.06.2008
Kurzeinführungin Blender & Gimp 05.06.2008 GIMP 2 GIMP Gnu Image Manipulation Program (Gnu = Gnu Not Unix) Bildbearbeitungsprogramm auf Rasterbasis Rasterbild diskrete Matrix von Pixel mit Farbwerten (RGB,
MehrBestimmung von MIMO-Kanalkapazitäten für unterschiedliche Antennenarchitekturen auf der Basis von breitbandigen Ausbreitungsmessungen
Bestimmung von MIMO-Kanalkapazitäten für unterschiedliche Antennenarchitekturen auf der Basis von breitbandigen Ausbreitungsmessungen Dirk Hampicke, Markus Landmann, Andreas Richter, Christian Schneider,
MehrPartikelschwarmoptimierung für diskrete Probleme
Partikelschwarmoptimierung für diskrete Probleme Yushan Liu Fakultät für Mathematik TU München 26. Oktober 2014 Ferienakademie im Sarntal - Kurs 1 Moderne Suchmethoden der Informatik: Trends und Potenzial
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 8 Projektive Invarianz und das kanonische Kamerapaar Kanonisches Kamerapaar aus gegebener Fundamentalmatrix Freiheitsgrade
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
MehrAW 1 - Vortrag. Simulationsmodell für visuell geführte Roboter. von Bernd Pohlmann. Betreuender: Prof. Dr. Andreas Meisel
AW 1 - Vortrag Simulationsmodell für visuell geführte Roboter von Betreuender: Prof. Dr. Andreas Meisel Inhalt 1. Motivation 2. Ziel 3. Einführung Robotik 4. Kinematik 5. Denavit-Hartenberg 6. Kameramodell
MehrIntegration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern
Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Björn Burow SE Mustererkennung in Bildern und 3D-Daten Lehrstuhl Graphische Systeme BTU Cottbus Inhaltsübersicht
MehrKalman-Filter und Target Tracking
Kalman-Filter und Target Tracking Peter Poschmann Hochschule für Technik und Wirtschaft Dresden Fakultät Informatik/Mathematik 23. März 2016 Inhalt 1 Kalman-Filter Einleitung Eindimensionaler Kalman-Filter
MehrUsing TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web.
Using TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web.de Damages caused by Diprion pini Endangered Pine Regions in Germany
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 6 Endliche Kameras Die Lochkamera Die Projektive Kamera Die projektive Kamera Spalten von P Zeilen von P Hauptpunkt und Hauptachse
MehrEin Windows Vista-PC. Peter G. Poloczek M5543 PGP II/07
Ein Windows Vista-PC Peter G. Poloczek M5543 Asrock - AM2NF6G-VSTA AM2NF6G-VSTA Socket AM2 for AMD Athlon 64FX / 64X2 / 64, Sempron CPUs NVIDIA GeForce 6100 / nforce 405 Chipset FSB 1000MHz (2.0GT/s),
MehrObjekterkennung mit OpenCV
Roland Schellhorn Objekterkennung mit OpenCV 103 - Recent Advances in Multimedia Processing Abstract Die Analyse unterschiedlicher Objekterkennungsmethoden der Open Source Library OpenCV wird anhand eines
MehrIntelligente Systeme WS 2015/16
Lehrgebiet Intelligente Systeme WS 2015/16 Andreas Dengel Fragestellungen Automatisierung von intelligentem" Verhalten im Sinn eines Leistungsverstärkers für den Menschen, z.b. Verstehen von Bildern, Sprache
MehrZellulare Transportsysteme neue Wege für die Intralogistik. Forum Junge Spitzenforscher und Mittelstand 9. November, Petersberg bei Bonn
Zellulare Transportsysteme neue Wege für die Intralogistik Dipl.-Ing. Andreas Kamagaew Forum Junge Spitzenforscher und Mittelstand 9. November, Petersberg bei Bonn Folie 0 Übersicht Aktuelle Anforderungen
MehrArchiCrypt Datenschutz Suite
ArchiCrypt Datenschutz Suite 3in1: PasswortSafe + Live + Shredder Die Sicherheitskette zum Schutz persönlicher Daten am heimischen PC und unterwegs im Internet! Ob Passwörter verwalten, Festplatten verschlüsseln
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Sebastian Schwarz WS 5/6 8..6 Höhere Mathematik II für die Fachrichtung Physik Bachelor-Modulprüfung Aufgabe
MehrDatenblatt: TERRA PC-BUSINESS 5000 GREENLINE 539,00. Bestseller Core i5 PC. Zusätzliche Artikelbilder IT. MADE IN GERMANY. 02.10.
Datenblatt: TERRA PC-BUSINESS 5000 GREENLINE Bestseller Core i5 PC Ermöglichen Sie Ihren Mitarbeiteren ein effektives und schnelles Arbeiten mit Ihren Unternehmensanwendungen. Profitieren Sie von robusten
MehrABV2 R. Neubecker, WS 2015 / 2016
Metrologie ABV2 R. Neubecker, WS 2015 / 2016 IBV-Beispiele 2 Qualitätskontrolle Zündkerzen Prüfaufgaben: Dreistellige Typnummer auf dem Keramikkörper Gewindetiefe Vorhandensein beider Unterlegscheiben
Mehrmehr als 25 Jahre PC-, Notebook- und Serverproduktion Servicecenter am Produktionsstandort hunderte Arbeitsplätze und 20% Ausbildungsquote KW 28/29
mehr als 25 Jahre PC-, Notebook- und Serverproduktion Servicecenter am Produktionsstandort hunderte Arbeitsplätze und 20% Ausbildungsquote KW 28/29 TERRA PreisUpdate KW 28/29 - Systeme NEU AKTION grösse
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
MehrWie profitiert SAP MaxDB von SSD Technologie?
Wie profitiert SAP MaxDB von SSD Technologie? Direktor Software und Services SAP MaxDB InfoTage 2014 15.-25. September 2014 Purpose Agenda MaxDB ENTERPRISE EDITION Including Mobile DB Monitor MaxDB & SSD
MehrGridMate The Grid Matlab Extension
GridMate The Grid Matlab Extension Forschungszentrum Karlsruhe, Institute for Data Processing and Electronics T. Jejkal, R. Stotzka, M. Sutter, H. Gemmeke 1 What is the Motivation? Graphical development
MehrMerkmale von Bildregionen, Einführung in Spektraltechniken
Merkmale von Bildregionen, Einführung in Spektraltechniken Industrielle Bildverarbeitung, Vorlesung No. 10 1 M. O. Franz 12.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger
MehrÜbungen zur Analysis II Blatt 27 - Lösungen
Prof. Dr. Torsten Wedhorn SoSe 22 Daniel Wortmann Übungen zur Analysis II Blatt 27 - Lösungen Aufgabe 5: 6+6+6* Punkte Bestimme alle lokalen Extrema der folgenden Funktionen: a b c* f : R 3 R g : R 2 R
MehrPRODUKTE UND PREISE TERRA MOBILE. www.wortmann.de
PRODUKTE UND PREISE TERRA MOBILE www.wortmann.de Produkte und Preise TERRA MOBILE Displaygröße 39.6 cm ( 15.6" ) 35.6 cm ( 14" ) 39.6 cm ( 15.6" ) 39.6 cm ( 15.6" ) 39.6 cm ( 15.6" ) Art# 1220330 1220419
MehrHochschule Düsseldorf University of Applied Sciences. 22. Dezember 2016 HSD. Physik. Schwingungen
Physik Schwingungen Zusammenfassung Mechanik Physik Mathe Einheiten Bewegung Bewegung 3d Newtons Gesetze Energie Gravitation Rotation Impuls Ableitung, Integration Vektoren Skalarprodukt Gradient Kreuzprodukt
Mehr